从经验到执行：面向小型语言模型智能体的状态条件控制

基于摘要分析。本文研究本地小型语言模型智能体在执行重复工作流时，因前置条件判断、状态跟踪和参数绑定错误而出现的执行失误，提出状态条件控制（state-conditioned control，SCC）。核心贡献不是扩大模型或更新权重，而是根据任务状态，在小模型与外部执行框架之间分配决策权限。 机制上，SCC 将轨迹经验表示为流程及其依赖关系：对于尚未确定的选择提供软引导；对于可由现有证据确定的步骤，则施加硬约束并进行本地执行。这一区分针对的是“记忆能够提供正确流程，但模型仍需将流程转化为当前动作”的问题。摘要未说明状态表示、依赖提取、软硬控制切换条件及规则构建的具体实现，相关细节尚未验证。 作者报告，在模型权重冻结的评估前提下，SCC 在 ToolSandbox、ALFWorld 和 WebShop 上超过四种离线记忆适配方法中的最强对照，三者分别提升 13.12 个得分点、61.94 个成功率百分点和 3.80 个成功率百分点。作者还报告，其经验与规则可在另外两个小模型上复用；控制通道与成本分析显示，收益和引导成本依赖具体任务。上述结果不能脱离各任务协议直接横向比较，具体模型、数据划分、对照配置、消融及统计信息尚未验证。 摘要提供了智能体实现地址，但实现内容、运行依赖与复现完整性尚未核验。本文主要对象是语言模型智能体的工具调用与任务执行，并非 EEG 解码或 BCI 控制；现有材料不足以建立具体的神经信号方法迁移关系，不能据此推断 BCI 性能收益。已有 EEG 相关工作尚未检索确认。