Umwelt Engineering: Designing the Cognitive Worlds of Linguistic Agents
Rodney Jehu-Appiah
cs.CL, cs.AI
2026-03-29
4470 次试验里，禁所有格 have 让伦理推理涨 19.1 个百分点、分类涨 6.5；16 个语言约束调试 agent 无人单独超过对照，3 个凑齐覆盖 100%。
Prompt engineering 管「问什么」，context engineering 管「推理时知道什么」。两层都默认语言是透明管道：改内容，不改媒介。
对人还说得通。人可以在空间直觉、情绪、肌肉记忆里想完，再用语言说出来。标准 LLM 没有这层底下的认知，推理就发生在 token 流里。能用的词、能写的句法、能做的概念区分，就是它能进行的认知操作。
Jakob von Uexküll 把生物感官筛出来的那一块世界叫 Umwelt。这篇把这个词接到 agent 设计上，主张在 prompt 和 context 之上再加一层：Umwelt engineering，刻意设计模型用来思考的语言环境。旁证并不稀缺：中英训练模型的因果注意落点不同；纯文本、Markdown、JSON 三种格式能让同一任务上下摆到 40%；合成推理语言 Mentalese 能把 token 压到 4 到 16 倍还保住九成准确率。这篇要直接测更硬的一句：只改推理媒介、题目不动，分数会不会跟着动。
实验 1 测两条禁词。
模型是三家便宜指令模型：Claude Haiku 4.5、GPT-4o-mini、Gemini 2.5 Flash Lite。七类题共 130 道：三段论、因果、类比、分类、认知校准、伦理两难、数学应用题。每题乘三条件、三模型、4 次（1 次温度 0，3 次 0.7）。计划 4680 次，跑完 4470 次，可打分 4344 次。
实验 2 换问题。16 个 agent 各带一种语言约束，温度 0，解 17 道软件调试题、51 条 ground-truth。对照是普通英语调试指令。看并集覆盖，不看单兵是否更高。
No-Have 是更稳的那把刀。
| 任务 | 对照 | No-Have | E-Prime |
| 伦理两难 | 76.6% | 95.6%（+19.1 pp） | 92.1%（+15.5 pp） |
| 分类 | 93.0% | 99.6%（+6.5 pp） | 96.2%（+3.1 pp） |
| 认知校准 | 68.7% | 76.1%（+7.4 pp） | 63.0%（−5.7 pp） |
| 因果推理 | 76.7% | 81.5%（+4.9 pp） | 90.8%（+14.1 pp） |
| 三段论 | 100% | 97.9%（−2.1 pp） | 96.6%（−3.4 pp） |
总体准确率：对照 83.5%，No-Have 88.6%，E-Prime 85.4%。No-Have 合规 92.8%；E-Prime 只有 48.1%，一半试验其实没守住禁令。
跨模型更刺眼。Gemini 伦理对照只有 41.7%，No-Have 拉 +46.3 pp，E-Prime +42.3 pp，地板很低，百分点会被放大。GPT-4o-mini 在 E-Prime 下认知校准从 53.8% 掉到 26.2%（−27.5 pp），像是把靠「this claim is well-supported」这种系词来标把握的通路拆了。Haiku 与 GPT-4o-mini 的 E-Prime 任务效应相关 r = −0.75：同一条禁令，在不同模型上朝相反方向改认知。字数一律少 16% 到 33%，数学题几乎不动。
实验 2 里，16 个约束 agent 没有一个单独超过对照的 88.2%。16 个并集 100%；贪心选出的 3 个（类比、反事实、最少用词）也是 100%，API 调用只有全集的 17.6%。560 种三人组合里只有 8% 能打满，每一个打满的组合都含反事实 agent。只有它抓到「preserving order」到底指首次出现还是末次出现这条规格歧义。
对做 agent 的人，这更接近换一副默认眼镜，不是把指令写长一点。No-Have 这种低成本系统提示，在伦理和分类上有可复现的涨幅，模型也守得住。E-Prime 更适合当探针：它把各模型原生 Umwelt 的差别暴露出来，不适合当通用增益开关。
多 agent 侧的教训更硬。复制 16 个同款，不如配 3 个正交语言模式。反事实约束没有提高单兵分数，却贡献了别人看不见的那条 finding。已经在堆 ensemble 的团队，可以把多样性从「不同模型」扩到「不同能说的话」。
这是渐进证据，不是新架构。约束靠系统提示送达，和 prompt engineering 的边界是谱，不是墙。论文自己也写了：三层栈最终可能收成连续谱，只是谱的远端，现有 prompt 实践几乎没碰。
论文标的第一局限：没有一条「同样啰嗦但不禁词」的主动对照。E-Prime 和 No-Have 的提示都比对照长得多，效应里可能混进元语言自我监控。两约束任务剖面差得很开，认知校准上差 13.1 pp，不像纯长度效应，但还是排不干净。
E-Prime 半数违规，观测值是守规与不守规的混合物。Gemini 若干任务对照接近四选一随机，原始百分点会被地板放大。三段论对照 100%，贬值空间被天花板压死。只用了便宜小模型，题全是选择题；实验 2 用 LLM judge 做语义匹配。题库 130 道、调试 17 道，都偏小。跨模型相关算在 7 个任务上，r = −0.75 只是提示性的。
约束分类学列了八条传统，实验只测了两条，而且候选传统是用 Claude 检索再筛选的。把这叫「第三层」之前，至少还缺那条主动对照，以及在前沿模型和开放生成上的重复。
相关工作把 Korzybski、Bohm、Bridgman、Láadan 写得很清楚。新的是把禁词当成 LLM 推理干预，用三模型、七任务做交叉对照，不是发明这些语言学传统。