任务状态应在多大程度上影响 LLM Agent？

基于摘要分析。该研究面向长程任务中的 LLM Agent，考察任务状态以文本展示、逐轮指令或强制执行约束介入时，分别如何影响可靠性。核心贡献是控制任务规则、模型和配对任务回合，单独改变状态对 Agent 的约束强度，而非仅比较完整系统。 研究设置包括原始对话记录、精确检查清单、由任务说明编译且仅凭执行回执推进的状态机所生成的逐轮指令，以及拒绝违反状态动作的执行门控；摘要还比较了 Agent 自行编写、未经验证的状态台账。每个任务回合均通过与动态真实标准进行精确载荷匹配来评分。 作者报告，在三个模型、两种推理设置和两个领域的比较中，不使用逐轮推理时，准确展示状态仍不足以稳定保证可靠性；Agent 自写台账优于外部提供的准确清单；指令的收益取决于模型服从程度；强制门控无需模型服从，但受状态正确性及请求到步骤匹配器的准确性限制。作者报告，235B Agent 启用逐轮推理后，各条件差距缩小，但文本状态条件的问题未被消除。 外部基准中，作者报告，将同一门控机制按 τ²-bench 的航空政策编译后，235B Agent 的 pass¹ 从 0.39 提升至 0.54；对很少违反政策的 35B Agent 则无变化。在依赖线索识别而非任务状态判定的 PM-Bench 上，展示记录匹配或优于两种门控，且台账优于清单的关系发生逆转；强制采用匹配器判断还使 35B Agent 的表现低于原始对话记录条件。 这些结果支持作者提出的适用边界：当错误频繁且可由状态明确判定时，执行约束可能有效；门控判断出错时则可能损害表现。具体模型身份、任务构造与划分、匹配器实现、消融及统计信息尚未验证。本文主要研究对象是 LLM Agent 的任务控制，并未提供 EEG 或 BCI 有效性证据。