# 新控制系统减少自主 AI 智能体的无效操作

> 研究人员提出一种名为 Global Executive Control 的治理层，在保持高成功率的同时，将 token 用量减少三分之一。

Oossa · 2026-09-28 · https://oossa.com/zh/new-control-system-cuts-wasted-steps-in-autonomous-ai-agents

Dongsheng Xiao 领衔的团队于 2026 年 9 月 28 日发表论文，介绍了他们所称的“LLM 帕金森症”（LLM Parkinsonism）问题。这个说法指的是：AI 智能体在任务已经完成后仍继续工作，反复进行价值不高的调整，还一再检查自己的成果。作者表示，这是因为生成操作和决定何时停止由同一个循环负责。他们提出了一种名为 Global Executive Control（GEC）v0.2 的新架构，将操作生成与项目层面的监督分开。

## 问题缘起

大型语言模型（LLM）能够规划、编写代码和使用工具，但往往缺少明确的“停止”信号。在测试中，遵循单一最佳猜测方案的基线智能体，完成高难度目标的成功率为 67%。在同一测试中，如果允许模型从一组候选操作中进行选择，成功率就升至 96.5%。研究人员认为，提供多个选项是性能提升的主要原因，但这也会消耗更多 token——也就是模型处理文本时使用的基本单位。

## 新架构的作用

GEC 增加了一个能够感知不确定性的治理层，用来监控智能体的进展，并判断何时可以收工。在一项包含 24,000 个测试回合、token 上限为 40,000 的基准测试中，GEC 的成功率达到 96.5%，与候选集方案持平，同时将平均 token 消耗从 19,782 降至 12,574，减少了 36%。此外，在 token 上限内完成任务所需的平均 token 数，也从 16,136 降至 13,114，节省了 18.7%。额外的治理步骤每个循环约需 500 个合成 token，作者认为这一开销仍然划算。

## 下一步

论文指出，模拟结果支持对任务范围、证据、资源使用和停止时机进行明确治理，但仍需在现实场景中验证。后续研究很可能会在能与外部工具或用户交互的实际智能体上测试 GEC。如果这种方法经得起检验，开发者就可以在聊天机器人、编程助手和其他自主 AI 服务中嵌入类似的控制层，减少无效计算，避免系统在任务完成后继续过度工作。

## 事实

- 这篇论文于 2026 年 9 月 28 日发布在 arXiv 上（arXiv:2609.30662）。
- 采用单一候选方案的基线智能体完成高难度目标的成功率为 67.42%。
- 在同一基准测试中，候选集控制方案的成功率达到 96.53%。
- Global Executive Control v0.2 在保持 96.57% 成功率的同时，平均 token 用量减少了 36.4%。
- 在 40,000-token 上限下，GEC 将完成任务所需的平均 token 数从 16,136 降至 13,114。
- 每个治理循环会增加约 500 个合成 token，作者认为这只是适度的额外开销。

## 为什么重要

对日常用户来说，更严格的控制意味着 AI 助手能更快完成任务、消耗更少算力，从而降低成本和能耗。开发者可以打造更聪明的智能体，让它们在任务完成时及时停下，避免多余步骤或令人困惑的输出。随着这些工具日益普及，这种方法也为约束 AI 行为提供了更清晰的途径，有助于提升安全性和可靠性。

## 来源与参考

1. [LLM Parkinsonism: Executive-Control Failure, Token-Inefficient Persistence, and an Uncertainty-Aware Global Executive Control Architecture for Autonomous Language-Model Agents](https://arxiv.org/abs/2609.30662) – arXiv, 2026-09-28

最后更新: 2026-09-28