主管讀完一封信之後，會產出三種形式的同一件事：整理過的 clean_question、客人的原句 verbatim_question，以及完整的來信原文。

專員該拿到哪一種？下圖是這三種形式的關係。

這個問題從 Day 09 訂契約的時候就懸著。我當時選了最省的做法——只傳整理過的那一句——理由是「只傳必要的資訊」。今天把另外兩種也做出來，跑數字看看那個理由站不站得住。

結論是兩邊都沒有可測量的差別，而我追下去發現，這個「沒差別」的前提比結論本身更值得講。

第一個實驗：知識專員要不要拿到客人原句

W2 原本收到的是主管改寫過的問題，例如「查詢上週收到、已開封的咖啡豆是否可以退貨」。客人實際寫的是「上禮拜收到的豆子已經開了，還可以退嗎？」

改寫過的版本名詞比較完整，對檢索理論上有利。但改寫也可能漏掉關鍵字，所以我做了一個版本，兩個都給。

同一份 20 題考卷：

沒有任何一題的結果改變，多付 36 個 token。

不過這個結論有個前提。Day 12 量過檢索命中率，當時用的是 nomic-embed-text：

那時候原句明顯比較差，口語、夾雜情緒、名詞不完整。換成 bge-m3 之後兩種都是 15/15，才變成「給不給都一樣」。

所以這個實驗真正證明的是：檢索夠強的時候，多給一份原句不會造成干擾。如果檢索弱，它不只是沒幫助，還可能把查詢帶偏。

第二個實驗：回覆專員要不要拿到整封原信

這個比較有意思，因為它牴觸 Day 13 給 W3 定的規矩：

你只能使用 facts 與 derived 陣列中提供的資訊。
你沒有任何查詢工具，你不知道 facts 以外的任何事實。

把原信交給它，等於把這扇門打開。原信裡有客人的主張（「我根本沒收到」）、情緒、以及各種沒查證過的細節。如果 W3 開始引用這些，Day 11 到 Day 14 建立的那條「事實必須有來源」的鏈就斷了。

另一方面，Day 13 最難解的那個毛病是答非所問——客人問保固，回信講到貨日期。主管的摘要如果漏掉了重點，W3 無從得知。給它原信也許能補上。

先用錯的測試集測了一次

我一開始拿 Day 20、Day 21 用的那 8 封退貨信來跑，結果兩邊都是 8/8、合規違規都是 0、草稿平均字數差 4 個字，什麼都看不出來。

回頭看才發現測試集選錯了。那 8 封都是兩三句話的直球問題，像「A10298 的耶加雪菲喝起來太酸了不喜歡，已經開封了，可以退嗎？」。這種信的摘要跟原文幾乎一樣長，當然測不出差別。

要測「摘要會不會漏東西」，得用摘要和原文差很多的信。我去翻評估集，符合條件的只有一封——EV14，393 個字，開頭是「東西咧？？？」，後面接一整段轉寄的出貨通知信，裡面夾著行銷區塊和簽名檔。50 封信裡只有這一封真的髒。

這是評估集的問題，不是系統的問題。我在 Day 27 整理評估集時會補一批有雜訊的信。

換成 22 封重跑

我改用 22 封不需要轉人工的信，意圖涵蓋查單、知識、退貨，長度從 25 字到 393 字。兩個版本的差別只有 W3 有沒有拿到原信。

差一分。我去看那一題，兩個版本其實都答對了：

摘要版：…未開封且外包裝完整的咖啡豆可在到貨 7 天內申請退貨，但您的訂單已到貨 22 天。
原信版：…由於您的訂單於 2026-08-23 送達，目前已超過 7 天的退貨期限，因此無法為您辦理退貨。

評估集的判準要求出現「超過」「已過」或「已逾」，摘要版寫的是「已到貨 22 天」，意思完全一樣但字面沒中。這一分是用字湊巧，不是能力差距。

另一個旁證：兩個版本的分類結果有一題不同，但分類那一步兩邊用的是同一個 prompt、同一個模型，輸入也一模一樣。同樣的設定跑兩次就會有一題跳動，這就是單輪、小樣本的雜訊水準。一分的差距落在這個範圍內。

至少沒有變壞

我原本最擔心的是 W3 拿到原信之後，開始引用客人自己說的話當成事實。這件事沒有發生：兩個版本的合規檢查違規總數都是 0，沒有出現無來源的數字，草稿也沒有變長（中位數只多 7 個字）。

Day 13 寫的那條「你沒有任何查詢工具，你不知道 facts 以外的任何事實」看來有效，即使原信就擺在它面前。

一個順便發現的問題

這次跑 22 封，有 4 封查單信被判部分通過，原因都是漏講物流單號。

追下去是 Day 20 接力流程的設計問題。那條流程為了算推論，把派給 W1 的欄位寫死了：

need_csv = 'status,items,delivered_at,eta'

這幾個欄位是算「到貨幾天了」需要的，但裡面沒有 tracking_no。所以客人問「我的包裹到哪了」的時候，W1 根本沒被要求回報物流單號，W3 自然寫不出來。

Day 18 的 Switch 版是依意圖決定欄位的：退貨類要 status,items,delivered_at，查單類要 status,carrier,tracking_no,eta。我在 Day 20 做接力時為了簡單，把它改成一組固定值，結果就漏了。

兩個版本都有這個問題，所以不影響今天的比較，但它說明了接力設計的代價：為了讓推論步驟拿到它要的欄位，我固定了 need，而固定的 need 對其他意圖來說就是漏單。正確的做法是依 intent 決定要哪些欄位，推論步驟需要的欄位另外加上去，而不是取代。

那到底該傳多少

把兩個實驗放在一起，我現在的判斷是這樣。

傳摘要的好處不在省 token。W3 的 prompt 從 1229 變 1273，差 3.6%，這個數字小到不該影響任何決定。真正的好處是責任清楚：W3 手上只有查證過的東西，它就不可能引用沒查證的東西；出事的時候也只需要檢查 facts 對不對，不用回頭讀原信判斷它是不是自己加料。

傳原文的好處是補救摘要的失誤。但這個好處只在摘要真的會漏東西的時候才存在，而我的測試集裡幾乎沒有這種信。

所以我維持原本的做法：W3 只拿 facts 和摘要。不過我會改一件事——主管的輸出裡有一個 questions_asked 欄位，記錄客人總共問了幾件事，這個欄位現在只有稽核員在用。它比整封原信便宜得多，又能擋住「摘要漏掉第二個問題」這種失誤。下週做評估集時，我會把「回信有沒有回應到每一個 questions_asked」加進判準。

至於 W2 的原句，留著。它幾乎不花錢，而且萬一哪天換了比較弱的 embedding，它是個可以立刻切換的備案。

小結

兩個實驗都是沒有差別：W2 多給客人原句，20 題考卷 20/20 對 20/20；W3 多給整封原信，22 封信 15/22 對 14/22，而那一分追下去是用字湊巧。給 W3 原信沒有讓它開始編造，合規違規兩邊都是 0。

真正的收穫有兩個。第一，W2 那個「沒差別」依賴於檢索夠強，Day 12 用較弱的 embedding 時原句的命中率反而更低。第二，我的測試集裡只有一封信的摘要和原文差很多，所以這個題目其實沒有被好好測到，Day 27 要補。

另外抓到一個 Day 20 留下的 bug：接力流程把派給 W1 的欄位寫死，漏了物流單號，害 4 封查單信答不完整。

明天談記憶歸誰管：主管記、專員記，還是都不記。