长周期智能体怎么验证？如果这个智能体会自己写状态、自己报进度，而你又无法信任这些自我陈述，那问题就变成了死结。Mohsen Arjmandi 在 2026 年 8 月提交到 arXiv 的论文里，给出了一种不同的思路：把验证嵌进系统结构，而不是等跑完再追认。
论文标题很有意思——《The LLM Proposes, the Executive Disposes》。LLM 负责提议，一个确定性的 Executive 负责处置。听起来像管理哲学，实际上是一套 agent 验证仪器。
当智能体自己的状态和自我报告恰恰是最不能信的东西时，你如何验证一个长周期 agent？
从“事后检查”到“结构验证”
大多数 agent 验证思路是事后评估：跑完任务看结果，或者让模型解释自己。但解释本身又是模型生成的，等于用不可信内容证明不可信内容。这篇论文的解决办法是：确定性执行器掌控所有信念，语言模型只能提交带类型的提案；任何声明要被接受，必须先在行动前预注册一个预测，再由代码将这个预测与观测比对。
换句话说，模型不再拥有最终的“记忆权”。它可以说、可以建议，但能不能成为可信事实，取决于代码能否验证预注册预测。这个机制把“自我验证”从模型能力问题，变成了结构问题。
一套会自我作废的实验仪器
论文还给了两个颇为特别的性质。一是自动失效机制：当分片写入错误、渲染尺寸、加盐 canary 回显等阈值被突破时，整个运行会把自己标记为无效。前 8 次架构运行中，有 4 次被失效，而且每次都定位到了真实缺陷。这相当于把“实验失败”变成第一类产出。
二是渲染不可见的影子参考：它会在每个消融单元里编译完整系统本会执行的计划。有了这个影子参考，即使被测机制被移除，漂移指标仍然有定义，对比才有意义。
基于这套仪器，作者报告了一个干净的单变量结果：消融承诺机制会让目标放弃率从 0.00 翻到 1.00，而绑定误差仍稳定在 0.00。三个种子每格，每次运行最多 394 个参考节拍，所有运行都有有效门控。绑定通道则不同——修复被消融后，它并没有在逐拍漂移中重新出现，因为绑定由代码持有，这类故障被结构性吸收了，只在更上游留下一个假设形成崩溃的痕迹。
诚实的零分，反而更重要
论文没有回避尴尬的部分。他们在 ARC-AGI-3 上跑了 52 次有门控的运行，任务效能为零：没有任何一次完成关卡。这一点被预先注册为“结构性击败项”。换句话说，这个仪器目前不是用来刷分的，是用来做验证方法论的。
这种坦白在 AI 论文里很少见。它意味着作者更想确立的，是一条 agent 开发的可信路径，而不是一个更强的 agent。
对做长程 Agent 的人有什么用
如果你正在搭带记忆、规划和多步执行的 agent，这篇文章真正戳中的痛点是：你分不清“模型不想做”和“模型做不到”。论文把这两种情况拆成了承诺漂移与绑定漂移——一个是目标层面的放弃，一个是执行层面的偏离。分开度量，才能知道该修哪一层。
对团队而言，有几件事可以直接借鉴：
- 把关键信念交给确定性代码，而不是交给模型自述；
- 行动前先写下可代码校验的预测，再用观测去验证；
- 把“运行失效”当作可积分的元信号，它常能定位真实缺陷。
同时也要保持清醒：这个框架目前没有展示任务完成能力，论文自己也承认任务效能为零。把它当作科学研究工具来看，而不是开箱即用的 agent 产品，才是合适的定位。
长周期 agent 的问题从来不在单步回答，而在“长时间里到底哪里开始漂移”。这篇论文的价值不是给出了答案，而是给出了一个能让人信任答案的结构。
评论
暂无评论
成为第一个评论的人