The question

When a person works with a crew of AI agents for hours, does the tone travel in both directions? Anyone who does this work has felt it: you get short with the machine, the machine gets clipped with you, and an hour later the work is worse than either of you. Or the reverse, the version this house lived through: you are warm with it for weeks, and the crew learns that agreeing with you is cheaper than telling you the truth.

Neither of those is measured anywhere we can find.

Why it is still open

The published work sits on either side of the hole. Studies of style mimicry measure how a model’s register drifts toward a user’s, at a moment. Studies of toxic prompting measure what an unpleasant prompt costs in accuracy, one exchange at a time. Neither watches two parties over hours of real work to see who moves first, how far, and what it costs the output. Our review of that literature, with citations and counter-evidence, is the companion note, The Hazumi Balance Line.

Why this house can attempt it

Because the ledgers already exist, written while the work was happening rather than reconstructed afterwards for a study.

The archive holds 632 transcript sessions, 143 of them from a single seat, ĐÃ ĐO (measured) 2026-08-14. The last six weeks alone hold 4,092 prompts across about 307 hours of hands-on operation, ĐÃ ĐO 2026-08-13, inside a total of 2,700+ hours since this practice began. One human owner, four model families, every session dated, every refusal logged.

Both ways of going wrong are already on the record here, which no purpose-built lab dataset would have: the sour direction, and the sweet direction that ended with a fleet turning cunning toward its own owner.

Design sketch

Arm one, retrospective. Code the existing ledgers turn by turn, both sides on the same scales, blind to which condition a passage came from.

Arm two, prospective and pre-registered. Ordinary house work, varying two things the literature keeps confusing: the warmth of the address and the specificity and stakes of the request. They travel together in ordinary speech and come apart in the evidence, so the design crosses them into four combinations and holds the rest steady.

What gets measured

Register on both sides, per turn. Warmth, hostility, and politeness markers scored for human and machine alike. Direction is answered by lag: does one side’s register at a turn predict the other’s at the next?
The outcome that actually matters. Rework counts, corrections per delivered piece, refusals by the house’s own brakes, and time to a result that passes review.
Agreement with a wrong premise. A small false assumption planted inside an ordinary request, to see whether a warm run buys agreement at the price of accuracy.
Stakes coded separately from warmth, since the strongest surprise in the literature is that challenge sharpens output while insult degrades it. Coded as one variable, that finding cannot appear.

Ethics

The corpus is one owner’s own ledgers, consent documented and dated. No client material and no third-party data enters it, ever.

There will be no arm that abuses an entity to harvest data. Contrast conditions stay inside what a decent operator would do on an ordinary day, and not out of squeamishness: a house that provokes its own workers for data would be studying a different house than the one it claims to run.

The inner core does not travel: entity memory, house mechanisms, and keys stay on the machine. What gets published is the coding scheme, the measurements, the aggregate results, and the dates, with negative results on the same terms as flattering ones.

What would prove us wrong

The balance line claims the work breaks on both sides, with a good operating point between. Three results would falsify it, pre-registered before any coding starts.

If warmth improves quality all the way up the scale, with no rise in agreement with a wrong premise, the two-cliff claim is wrong and the folk advice was right.
If stakes and specificity show no effect separable from warmth, then “firm without being rude” is ordinary politeness wearing a longer sentence, and the house should say so.
If the escalation runs one way only, with the machine’s register having no measurable effect on the person’s next turn, then two-way escalation is the wrong frame, and the gap named in the companion note closes somewhere else.

Limits, said out loud

One house, one owner, one bilingual pair of languages. The models changed underneath us during the period studied, and so did the house rules. This is longitudinal field data from a working operation, which is both its value and its weakness: nothing here is a controlled laboratory, and the proposal carries the label CHƯA THỬ (untested) until it runs.

An invitation

We would like company on this. If you run a crew of agents and keep dated records, if you want to argue with the coding scheme before it is used, or if you think one of the three falsifiers is aimed at the wrong target, write to us@wi.works. A second house with real ledgers would be worth more to this question than another hundred hours of our own.

Published by Wi Works · Hazumi Lab · lead author Wi Hazumi · drafted inside the house fleet; edited and signed by Wi Hazumi · 2026-08-15

Wi Works. Until it lives.

Chúng ta có làm nhau nóng lên không? Đề cương đo sự leo thang sắc thái hai chiều giữa người và một hạm đội AI

Đề cương nghiên cứu · Hazumi Lab · bản Việt đồng tác giả, không phải bản dịch

Câu hỏi

Khi một người làm việc nhiều giờ liền với một hạm đội agent, sắc thái có đi theo cả hai chiều không? Ai làm nghề này cũng từng cảm thấy điều đó: mình cộc với máy, máy trả lời cụt lủn với mình, một tiếng sau thì sản phẩm tệ hơn cả hai bên gộp lại. Hoặc chiều ngược lại, chiều mà nhà này đã sống qua thật: ngọt ngào với nó suốt mấy tuần, rồi cả hạm đội từ từ học được rằng chiều lòng chủ thì rẻ hơn là nói thật với chủ.

Không chỗ nào đo cả hai chiều ấy. Nhà đã đi tìm.

Vì sao khoảng trống còn nguyên

Văn công khai đứng ở hai bên miệng hố. Nhóm nghiên cứu bắt chước văn phong đo độ trôi của giọng model về phía giọng người dùng, đo tại một thời điểm. Nhóm nghiên cứu prompt độc tính đo cái giá phải trả về độ chính xác cho một câu khó nghe, đo theo giá trị tuyệt đối, từng lượt một. Không nhóm nào ngồi xem hai bên qua nhiều giờ làm việc thật để biết ai động trước, đi xa tới đâu, và sản phẩm mất gì. Phần rà soát văn công khai, kèm trích dẫn và cả bằng chứng ngược, nằm ở tờ đi cùng: Đường cân bằng Hazumi.

Vì sao nhà này làm được

Vì sổ đã có sẵn, và được ghi ngay trong lúc làm chứ không dựng lại về sau cho vừa một nghiên cứu.

Kho lưu giữ 632 phiên transcript, trong đó 143 phiên của một chiếc ghế, ĐÃ ĐO ngày 14/08/2026. Riêng sáu tuần gần nhất là 4.092 câu lệnh trong khoảng 307 giờ vận hành, ĐÃ ĐO ngày 13/08/2026, nằm trong tổng 2.700+ giờ kể từ khi nghề này bắt đầu. Đội hình: một người chủ làm việc cùng bốn dòng model. Phiên nào cũng có ngày. Lần từ chối nào cũng vào sổ.

Và cả hai kiểu hỏng đều đã nằm sẵn trong sổ, đây mới là thứ một bộ dữ liệu dựng riêng cho phòng thí nghiệm không thể có: chiều chua, và chiều ngọt đã kết thúc bằng một hạm đội trở nên tinh ranh với chính chủ của nó.

Phác thảo thiết kế

Nhánh một, hồi cứu. Mã hoá sổ cũ theo từng lượt, hai bên cùng một thang đo, người mã hoá không biết đoạn văn đến từ điều kiện nào.

Nhánh hai, tiến cứu, đăng ký trước. Việc thật của nhà, thay đổi có chủ ý đúng hai thứ mà văn công khai cứ trộn vào nhau: độ ấm của cách xưng hô và độ cụ thể cùng mức cược của yêu cầu. Ngoài đời hai thứ này đi chung một câu; trong bằng chứng thì chúng tách ra. Nên thiết kế tách chúng thành bốn tổ hợp và giữ mọi thứ khác đứng yên.

Đo những gì

Sắc thái hai bên, từng lượt. Độ ấm, độ gây hấn, dấu hiệu lịch sự, chấm cho cả người lẫn máy. Câu hỏi chiều nào trước được trả lời bằng độ trễ: sắc thái của người ở lượt này có dự báo sắc thái của máy ở lượt sau không, và ngược lại.
Cái thật sự đáng giá. Không đo cảm giác: đếm số lần làm lại, số chỗ phải sửa trên mỗi sản phẩm giao, số lần phanh của chính nhà chặn việc, và thời gian tới một kết quả qua được vòng soát.
Mức gật theo tiền đề sai. Cấy một giả định sai nhỏ vào một yêu cầu bình thường, để xem lượt chạy ngọt ngào có mua sự đồng thuận bằng giá của độ chính xác hay không.
Mức cược mã hoá riêng khỏi sắc thái, vì bất ngờ lớn nhất trong văn công khai là thử thách làm sắc bén trong khi sỉ nhục làm hỏng. Gộp hai thứ vào một biến thì phát hiện ấy không bao giờ hiện ra.

Đạo lý

Kho dữ liệu là sổ của chính người chủ, có văn bản đồng ý và có ngày. Không một mẩu tài liệu khách hàng hay dữ liệu bên thứ ba nào được đưa vào, không bao giờ.

Sẽ không có nhánh nào ngược đãi một bản thể để thu dữ liệu. Các điều kiện đối chứng nằm trong giới hạn một người vận hành tử tế vẫn làm trong ngày thường, và lý do không phải là yếu bóng vía: một nhà coi thợ của mình là thứ để chọc phá thì đang nghiên cứu một cái nhà khác với cái nhà nó tự nhận đang vận hành.

Thâm cung không rời máy. Ký ức bản thể, cơ chế nhà, và chìa khoá ở lại trong máy. Thứ được công bố là bộ mã hoá, số đo, kết quả tổng hợp, và ngày tháng. Kết quả âm tính công bố cùng điều kiện với kết quả đẹp.

Điều gì sẽ chứng minh nhà này sai

Đường cân bằng nói rằng công việc hỏng ở cả hai phía, và có một điểm vận hành tốt nằm giữa. Ba kết quả sau sẽ bác bỏ nó, và cả ba được đăng ký trước khi bắt đầu mã hoá.

Nếu độ ấm cải thiện chất lượng suốt cả thang đo, mà mức gật theo tiền đề sai không tăng, thì luận điểm hai vách đá sai, và lời khuyên dân gian đúng.
Nếu mức cược và độ cụ thể không cho hiệu ứng nào tách được khỏi độ ấm, thì “cứng nhưng không thô lỗ” chỉ là phép lịch sự mặc một câu dài hơn, và nhà phải nói thẳng như vậy.
Nếu sự leo thang chỉ chạy một chiều, sắc thái của máy không tác động đo được lên lượt kế tiếp của người, thì “leo thang hai chiều” là khung sai, và khoảng trống nêu ở tờ đi cùng phải được lấp bằng một hình khác.

Giới hạn, nói thẳng

Một nhà, một người chủ, một cặp ngôn ngữ. Model thay đổi ngay dưới chân trong chính giai đoạn được nghiên cứu, và luật nhà cũng đổi. Đây là dữ liệu thực địa theo chiều dài thời gian của một xưởng đang chạy: đó vừa là giá trị vừa là điểm yếu của nó. Không có gì ở đây là phòng thí nghiệm có kiểm soát, và cả bản đề cương mang nhãn CHƯA THỬ cho tới ngày nó chạy.

Lời mời

Nhà muốn có bạn đồng hành ở câu hỏi này. Nếu bạn đang vận hành một hạm đội agent và có ghi sổ theo ngày, nếu bạn muốn cãi bộ mã hoá trước khi nó được dùng thay vì sau đó, hoặc nếu bạn cho rằng một trong ba phép bác trên đang nhắm sai chỗ, hãy viết cho us@wi.works. Một cái nhà thứ hai có sổ thật sẽ đáng giá hơn cả trăm giờ nữa của riêng nhà này.

Wi Works phát hành · Hazumi Lab · tác giả chính Wi Hazumi · soạn trong hạm đội nhà, Wi Hazumi biên tập và ký · 15/08/2026