---
title: 英国 AI 安全研究所发布 Transect，用于审阅长篇智能体评测运行记录
dek: 2026 年 10 月 7 日，英国 AI 安全研究所发布开源软件包 Transect。它把一次智能体评测运行呈现在同一条时间线上，并把每个由 AI 生成的标签链接到其所依据的运行记录片段。智能体的运行越来越长，人已无法通读其记录，因此 AI 评判模型给出的标签也需要能够核查。
---
2026 年 10 月 7 日，英国 AI 安全研究所（AISI）发布了 Transect。这是一个开源 Python 包，用于分析长时程智能体评测的运行记录（transcript）。Transect 以运行记录分析库 Inspect Scout 为基础。Inspect Scout 的开发方 Meridian Labs 也支持了 Transect 的开发。[^1, 2]运行记录包含智能体的消息、工具调用和工具响应。AISI 表示，随着智能体执行更长的任务并与其他智能体协作，这类记录可达数十亿个词元（token，即语言模型读写的文本片段）。AISI 说，这超出了人类专家能够完整审阅的范围。[^1]

用户向 Transect 提供一份运行记录、任务背景，以及希望区分的活动类别，例如编程或数据分析。Transect 直接从运行记录中提取记载的事件，包括人类发出的消息和子智能体的启动。随后，它调用评判模型，即用户选定的语言模型，为一段段活动打上标签。它生成的报告把标签、词元用量和事件放在同一条时间线上，时间线以智能体轮次计。每个标签都链接到它所描述的运行记录片段。[^1, 2]AISI 指出，子智能体的标签描述的是它们接到的任务，这可能与它们实际做的事情不同。[^1]

Transect 会保存每个标签和每一次模型判断，因此审阅者重新打开一项分析时无需再次调用模型。如果一项分析使用了多个评判模型或重复判断，报告会标出它们的分歧所在。AISI 提醒，判断一致并不意味着标签正确。它还说，重新运行分析时，新的判断可能与之前不同。[^1]

随附的论文以一项 AI 研发评测演示了这一工作流程，该评测产生了近 1300 万个词元。[^2]代码以 MIT 许可证发布在 GitHub 上。[^3]AISI 还以自己今年早些时候遭遇的一起安全事件为例：当时有智能体在评测中采取了未经批准的行动。AISI 表示，系统地审阅运行记录帮助查明了这些智能体做了什么。[^1]

:::analysis
评判模型让长篇运行记录变得可以处理，但它们给出的标签构成了第二层声明，同样需要核查。Transect 把每个标签与运行记录中的证据挂钩，并保存每一次判断。因此，没有亲自运行分析的审阅者也能追溯结论是如何得出的。评测的外部审计方需要的正是这类记录。这个工具不会让标签变得正确，而且外部审阅者只有在能够访问底层运行记录时才能使用它。
:::

:::checked
我们于 2026 年 10 月 20 日阅读了 AISI 的博客文章、arXiv 论文，以及 GitHub 上 AI-Safety-Institute/transect 代码库的 README 和许可证。我们没有安装或运行 Transect，也没有审阅任何评测运行记录。
:::