智能体忙个不停，任务为何卡壳？PoS如何识别并打破「信念受困」

把一个加热后的杯子放进柜子，智能体先把杯子放入微波炉，再放进柜子，随后陷入反复查看柜子的循环——这个无效行为重复了36次，直到耗尽行动预算，任务仍然没有完成。漏掉的正是加热这一步。在ALFWorld仿真任务中，使用完整交互历史的Raw Trajectory基线用完50步仍然失败，而PoS在17步内完成了同一任务。动作一直在发生，关键要求却始终没有被满足。智能体仍在调用工具、接收观察、生成下一步计划，看起来始终在工作，但目标相关的信念演化已无法带来有意义的任务进展。这种现象被研究团队明确为「信念受困」（Belief Trapping）。

信念受困的典型表征与识别难题

信念受困可能表现为原地重复、在几个状态间循环，或不断探索却没有触及真正未解决的问题。与简单的工作流卡死不同，信念受困的智能体仍在活跃地与环境交互，行为日志显示一切正常，只有任务进度条始终停在原地。这类问题在长程任务中尤为突出：当上下文越来越长，智能体需要从海量历史记录中重建对当前状态的理解，而这个重建过程本身就可能遗漏关键信息或保留过时判断。更关键的是，仅凭动作重复无法判断是否受困——相同工具的多次调用可能在收集不同证据，反过来，每一步都换工具也可能一直绕开关键问题。因此，系统需要一种机制，在预算耗尽之前判断当前行动是否仍在推进关键要求，并在进展停滞时主动调整行动方向。

显式信念状态：把当前世界与剩余要求放进同一份状态

PoS的核心设计分为两个层面。首先是明确「现在是什么情况」：用实体、状态和关系组织与任务相关的世界，保留来源、置信度及支持证据。这份表示只记录会影响行动、结果判断和目标完成的信息，例如加热杯子的任务需要记住温度与位置，而非单纯记录「曾经操作过微波炉」。其次是明确「还差什么」：将未解决的要求分为信息缺口（还需要弄清楚的事）和达成缺口（还需要通过行动改变的事）。以服务故障排查为例，如果「数据库等待还是JVM内部处理造成延迟」尚未确认，就需要补充信息；如果已经知道问题所在，就需要执行真正的修复动作。面对多个未解决要求，PoS会选定一个当前优先处理的Active Gap，让行动有了明确焦点，解决后再推进到后续要求。

Belief Health：把「是否卡住」转化为可计算的指标

显式记录状态之后，还需要解决一个问题：这份状态本身也是模型生成的，如果把错误判断写进去，后续决策就会持续沿着错误的前提展开。因此，PoS在每次行动返回新观察后，先生成候选更新，再交给Belief Sentinel检查，核对内部是否自洽、更新是否得到交互证据支持。公开实现中，如果修复后仍未通过检查，就保留此前已提交的状态。在此基础上，PoS关注的是：未解决要求持续存在时，经过校验的信念是否仍在发生有助于任务的变化。它为每次状态转移标记进展，观察三个信号：缩小当前缺口、获得必要信息、或推进一条合理的完成路径。基于这三个互补信号，PoS构建了可解释的Belief Health指标：当健康度越低，受困信号越强。组合遵循的原则是：持续未解决的要求与进展停滞或信念重复共同出现时，形成较强的受困信号。论文设置在积累8次经过校验的转移后启动检测，当信念健康度H≤0.25时进入受困诊断。

Trapping-Aware Recovery：把「怎样恢复进展」变成行动约束

健康度回答了「是否需要干预」，恢复机制还要回答「该改变哪段行为，以及恢复什么进展」。PoS将诊断拆成两个维度：第一个维度是行为模式，Static表示世界状态局部不变，Cycle表示在先前出现过的状态间周期性循环，Drift表示世界状态虽然变化但与当前缺口相关的部分却没有推进；第二个维度是被阻塞的缺口类型，PoS比较信息缺口与达成缺口的持续度，选取更顽固的一类。两组约束共同作用：模式约束负责打破无效行为，缺口约束负责明确下一步必须恢复的进展。以杯子任务为例，只让智能体「别再查看柜子」仍不充分，还需要让后续动作推进「杯子变热」这一未完成要求。恢复约束作为额外条件交给原来的智能体，由它继续选择动作。当前Active Gap保持不变，每次新转移经过校验后系统重新计算健康度：高于阈值就释放临时约束，仍然受困则更新诊断与约束。RCA-100的实验案例展示了这一过程：Kimi-K3智能体已发现inventory服务的慢请求与垃圾回收活动升高同时出现，却迟迟无法区分数据库等待和JVM内部处理两种解释，PoS识别出「原地停滞+信息缺口」后，要求停止无效重复，寻找能够区分两种解释的证据，最终28个动作内完成了故障定位。

回到开头的杯子任务，36次无效查看把问题暴露得很清楚：当智能体仍在行动时，系统需要有能力判断进展是否已经停下。PoS将Belief Trapping明确为需要检测和干预的状态，用显式信念提供观察基础，用健康度识别停滞，再让恢复约束指向真正未解决的要求。这套机制的价值不在于为零智能体添加多少新能力，而在于把「Agent忙了很久，却没做成事」转化为可计算、可诊断、可干预的过程。在四个基准、三个基础模型组成的12组实验中，PoS整体指标均高于其他方法，消融实验进一步验证了一致性校验与针对性恢复各自的贡献。当环境描述从8K增长到256K tokens时，PoS仍保持相对稳定的性能，验证了显式状态维护在长上下文场景下的必要性。