任务状态应以多强程度影响 LLM Agent？

一篇 arXiv 论文研究任务状态应以多强的方式影响 LLM Agent。作者固定任务规则、模型与配对片段，对比四种状态传递强度：原始记录、精确清单、由状态机生成的逐轮指令、以及拒绝违规动作的强制门。在三个模型、两种推理模式和两个领域上得出四项发现：展示准确状态不可靠，Agent 自写的未验证账本优于展示给它的准确清单，指令效果与模型服从度成正比，强制执行不需服从但受状态正确性和请求到步骤匹配器限制。

以往 Agent 系统整体评估，无法区分可靠性来自状态展示、告知还是强制执行。该研究通过控制变量把状态传递强度单独拆开，给出了各层级效果的相对排序，使状态设计从经验选择变为可测量的工程变量。

机制上，把状态写进 prompt 依赖模型读取，把状态放进外部模块则依赖强制。论文发现自写账本因与模型内部表征一致而优于被动展示的清单；逐轮指令依赖服从度；强制门不依赖服从，但受限于状态本身是否正确，以及匹配器能否把请求准确映射到任务步骤。

对 Agent 产品而言，仅把状态文本塞进 prompt 收益有限，需要为长任务引入状态机或执行回执校验。设计时应先保证状态与匹配器正确，再考虑加强制门；同时需评估模型规模，大规模模型的逐轮推理会压缩不同方案的差距。

• 在长任务 Agent 中加入由执行回执推进的状态机，替代纯文本状态提示。
• 为高违规率场景提供可配置的强制执行门，并优先投入状态与请求匹配器的准确性。
• 面向不同规模模型做差异化策略：小模型用强制门，大模型可评估逐轮推理的性价比。

• PM-Bench 上基于线索识别的结果未被完整披露，其结论是否与 airline 场景一致尚不明确。
• 强制门的收益在更长任务或更多领域中是否持续，论文未给出。
• 自写账本优于准确清单的原因是否可稳定复现，以及是否引入新的错误模式。
• 每轮推理压缩差距的机制是否会随模型继续增大而进一步减弱。