上一篇，我们发现，同一份人物描述在不同模型上会产生不同的行为。我们做了 CoBRA，想让 agent 的行为设定有一个更明确的参照：指定的程度能被测量，换一个模型，也能重新校准。
比如，我需要一个容易从众的 agent。“容易”是多少？“有一点从众”和“非常从众”，分别对应怎样的行为？
经典社会科学实验给了我们一个起点。Asch 从众实验里，参与者判断线段长度，其他人却一致给出错误答案。我们可以把这样的情境交给 agent，让它在 Likert 量表上作答，比如从“完全不同意”到“完全同意”，表达自己多大程度上会跟随错误的多数意见。这样，“从众”就对应了一个可以测量、可以比较的分数。
在 CoBRA 里，研究者可以先指定一个目标分数，再让 agent 做实验，看看测出来的分数离目标有多远。
如果没有达到，就调整 agent，再测一次。
指定目标 → 测量 → 调整 → 再测量。
这就是 CoBRA 的闭环校准。在调整这一步，CoBRA 覆盖了模型的三个空间：输入的 prompt、模型内部的激活，以及模型参数，每个空间都提供了相应的调控方法。但改完不等于校准完成：有没有生效、到了什么程度，都要看下一轮测量。
我们不要求两个模型对同一段描述有同样的理解，而是用同一套实验参照，分别把它们校准到目标行为程度。
这也是这里“可复现”的含义：复现的是测出来的行为程度。校准之后，每个模型都有一个从调控设置到分数的映射；想再得到同样程度的行为，按映射找到对应的设置就行，换个模型也一样。
达标之后，我们还会换一个测同类行为的实验再测一次，确认 agent 的行为变化能迁移到其他任务，而不只是适应了这一套题。
对我来说，CoBRA 的核心是这个闭环过程：研究者指定什么，agent 实际表现出什么，两者之间的差距，都可以被测量，再据此调整。行为设定因此成为一个可以检查、校准和复用的实验条件。