AI Agent重启监控器决策价值框架提出

该研究通过理论推导与实证审计证明，AI Agent 重启监控器的分类准确率（如固定90%）并不决定重启能否提升任务成功率，实际效果完全取决于备选尝试的残存预算成功概率。在194次外部评估的模型执行中，作者发现看似2.29点的重启增益实则由单个幸存失败案例驱动，而另一模型甚至出现42.29点的损失，且103次实时对比中无一达到统计认证标准。 文章提出两项核心评估技术：一是基于Blackwell实验比较的“决策充分性”准则，用于识别哪些进度表示或上下文压缩能保留最优动作选择所需信息；二是无需额外模型调用的有限样本无模型决策审计，通过二项式区间对现有轨迹进行同时检验，以认证“重启”或“继续”的偏好，或在证据不足时返回“弃权”。 事实层面，研究覆盖了SWE-bench Verified上的19个SymPy问题及130条回溯轨迹；推断层面表明当前主流依赖准确率的评价体系存在系统性偏差；猜测层面需警惕将特定数据集结果泛化为通用结论，但机制上已明确区分了监控性能与恢复机会价值的本质差异。