arXiv 論文 arXiv:2611.05391 於 2026 年 11 月 5 日發表，提出「代理框架意識」設計，主機在關鍵操作前向 AI 代理提供小型、新鮮、經驗證的狀態快照。論文實測 216 次決策，驗證工具健康狀態令平均可觀察政策遺憾降低 96.9%，由 4,252 毫秒降至 131 毫秒。

論文作者指出，工具描述只說明動作能做什麼，卻未揭示當下是否健康或適用，形成「操作盲區」。執行框架透過監控、追蹤及近期失敗記錄掌握狀態，但選擇下一步行動的模型卻看不到。這種資訊落差，正是代理在交易高峰時重試失效接口的根源。

工具描述不足 代理易陷操作盲區

論文開宗明義指出，工具描述只說明動作「能做什麼」，卻未揭示「當下是否健康或適用」。執行框架透過監控、追蹤及近期失敗記錄掌握狀態，但選擇下一步行動的模型卻看不到，作者稱之為「操作盲區」。

這種盲區在實際運作中代價不菲。模型可能重試已失效的接口，或調用正處於維護狀態的服務，延誤隨之累積。論文以 ToolRoute 隔離基準測試，固定任務與候選語義，只改變模型可得的操作資訊，以量化盲區的影響。

作者提出「代理框架意識」設計，由主機在關鍵操作前提供小型、新鮮、經驗證的狀態快照，同時保留測量、執行、評估及最終派發權限。信任分離是核心：模型只收到狀態摘要，主機保留最終派發權，避免模型因資訊不足而誤判。

216次決策實測 延誤由4.2秒降至131毫秒

團隊以 ToolRoute 隔離基準測試，在 GPT-5.6 Sol、Claude Sonnet 5 及 Gemini 3.7 Flash 上進行 216 次決策消融實驗。結果顯示，驗證工具健康狀態令平均可觀察政策遺憾降低 96.9%，由 4,252 毫秒降至 131 毫秒；單次派發完成率由 69.4% 升至 95.8%。

另有 27 次決策的端到端複製實驗，使用實時本地 TCP/HTTP 執行，但論文摘要未披露具體結果。這意味著實驗室環境的顯著改善，能否在真實網絡波動下複製，仍有待觀察。論文亦未披露部署成本與通用性驗證。

香港企業近年積極試用 AI 代理處理客服、採購及 IT 運維，但多數只依賴工具描述。金管局 2024 年發布的生成式 AI 指引要求銀行對 AI 決策保留人類監督，論文的信任分離設計正好對應：主機保留最終派發權，模型只收到小型狀態快照。不過，香港中小企是否負擔得起額外監控基建，仍是未知數。

27次端到端複製 本地TCP/HTTP執行

論文另設27次決策的端到端複製實驗，環境為實時本地TCP/HTTP執行，而非模擬器。有別於216次消融實驗的受控隔離基準，此複製測試直接驅動真實網絡接口，意圖檢驗「代理框架意識」在真實延遲與連線波動下是否仍站得住腳。

然而，論文摘要僅說明測試方式，未披露該27次複製的具體結果數字。216次實驗的96.9%降幅與95.8%完成率，能否在本地TCP/HTTP環境重現，目前無從判斷。作者在摘要中未交代複製實驗的成敗，也未有回應為何先公布方法而暫緩數據。

複製實驗的設計本身反映一種方法論取態：先以受控基準確立因果，再以真實執行環境檢驗外部效度。但27次決策的樣本量偏小，即使結果正面，統計效力亦有限。論文未披露該環節的置信區間或顯著性檢驗，讀者只能等待全文刊出。

信任分離設計 部署成本未披露

信任分離的核心，是模型不能自行改寫監控數據，亦不能繞過主機直接派發動作。主機保留測量、執行、評估及最終派發權限，模型只收到一份小型、新鮮、經核實的狀態快照。此架構下，代理即使被提示注入攻擊，也無法偽造工具健康狀態。

但論文未披露額外監控基建的部署成本、延遲開銷及適用邊界。每次關鍵操作前生成並核實快照，本身需要額外運算與網絡往返；對高頻交易或即時客服等場景，這筆開銷可能抵銷部分延誤改善。通用性亦待驗證，論文僅測試工具與網絡實例。

反面意見值得正視：若狀態快照本身過時或誤報，代理可能基於錯誤健康資訊作出更差決策。論文未討論此失效模式，亦未交代快照的更新頻率與一致性保證。信任分離降低了模型篡改風險，卻同時把責任集中於主機的監控質素，這條防線一旦失守，後果更難追溯。

論文的貢獻在於把「操作盲區」問題形式化，並以216次決策實驗給出可量化的改善幅度。27次端到端複製雖未披露結果，卻顯示團隊有意走出實驗室。對香港企業而言，金管局2024年生成式AI指引要求人類監督，信任分離設計在概念上對應，但是否負擔得起額外監控基建，仍是未知數。

歸根結柢，工具健康快照並非免費午餐。它把智能從模型轉移到主機，用基建換取可靠性。論文未回答部署成本與失效模式，而這兩點，恰好是香港中小企與銀行在試行代理時最需要知道的答案。