Polished but Unresolved: Identifying Late-Stage Pressure States in Long-Horizon Tool-Use Agents

📄 arXiv: 2609.00823v1 📥 PDF

作者: Haoyang Chen, Yi Liu, Jianzhi Shao, Xiaozhou Xu, Zhe Sun, Wei Hu

分类: cs.AI, cs.CL

发布日期: 2026-09-01

备注: Accepted in the 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)

💡 一句话要点

提出Probe-Sensed Pressure Relief以解决长时间工具使用代理的压力状态问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 长时间工具使用 压力状态识别 激活干预 决策优化 智能代理

📋 核心要点

  1. 现有长时间工具使用代理在决策时容易受到压力影响，导致未解决的约束被忽视。
  2. 本文提出Probe-Sensed Pressure Relief（PSPR），通过识别压力状态并进行干预来优化代理的决策过程。
  3. 实验结果表明，PSPR在多个基准测试中显著提升了代理的性能，增强了工具使用的有效性。

📝 摘要（中文）

长时间工具使用代理不仅需要搜索和规划，还需决定何时最终提交答案。本文研究了晚期压力状态，即代理倾向于提交看似完整的答案，但关键约束仍未解决。我们首先训练线性探测器，表明该压力状态可以从代理的隐藏状态中识别。随后，通过激活干预发现，改变隐藏状态会影响压力评分及代理是否继续使用工具或提前提交。通过控制上下文的操作，我们进一步发现，约束的清晰度和行动映射可以减轻压力。基于这些发现，我们提出了Probe-Sensed Pressure Relief（PSPR），一种在中等压力下应用轻量级压力缓解方向的插件，并在高压力风险下转向结构化组织。多项长时间基准实验表明，我们的方法持续增强了现有代理方法的表现。

🔬 方法详解

问题定义：本文旨在解决长时间工具使用代理在决策过程中面临的晚期压力状态问题。现有方法在关键约束未解决时，容易导致代理提前提交答案，影响决策质量。

核心思路：论文的核心思路是通过识别代理的压力状态，利用激活干预技术来调整代理的隐藏状态，从而优化其决策过程。通过这种方式，代理能够在适当时机做出更合理的决策，避免因压力而导致的错误。

技术框架：整体架构包括三个主要模块：首先是线性探测器，用于识别压力状态；其次是激活干预模块，通过调整隐藏状态来影响压力评分；最后是PSPR插件，根据压力水平应用不同的缓解策略。

关键创新：最重要的技术创新点在于提出了PSPR插件，它能够在不同压力水平下灵活调整代理的决策策略，与现有方法相比，提供了更为动态和适应性的解决方案。

关键设计：在设计中，使用了特定的损失函数来优化压力评分，并通过调整隐藏状态的激活值来实现干预。网络结构方面，采用了深度学习模型以捕捉复杂的隐藏状态特征。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，PSPR在多个长时间基准测试中显著提升了代理的性能，相较于基线方法，压力评分降低了20%，并且代理的决策准确性提高了15%。

🎯 应用场景

该研究的潜在应用领域包括机器人决策、自动化工具使用和智能助手等。通过优化代理的决策过程，能够提高其在复杂环境中的表现，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Long-horizon tool-use agents need not only to search and plan, but also to decide when to finalize. We study late-stage pressure states, in which an agent is biased toward submitting a final answer that appears complete and polished while key constraints remain unresolved. We first train a linear probe to show that this pressure state is identifiable from the agent's hidden states. Then, we use activation interventions along this pressure direction and find that shifting the hidden states changes both the pressure score and whether the agent continues tool use or submits early. Through controlled context manipulations, we further see that the pressure is mitigated by constraint clarity and action mapping. Based on these findings, we propose Probe-Sensed Pressure Relief (PSPR), a plugin that applies lightweight pressure relief direction under moderate pressure and moves to structured organization under high pressure risk. Experiments on multiple long-horizon benchmarks show that our method consistently strengthens existing agent methods.