LLM Parkinsonism：Agent 停不住时，谁握有项目级停止权
Coding agent 的账单，很多人先盯模型单价与缓存命中。站内 Harness 控成本 谈的是路由与治理；三种烧钱习惯 谈的是轨迹里重复检索、相似脚本、空转重测。还有一类浪费更「看起来合理」：硬目标其实已经满足，环却继续加抽象、补边角、写验证、再修自己造出来的复杂度——局部工程仍然自洽，全局「该不该继续」已经变差。
Dongsheng Xiao、Zeyuan Wang、Xuzhe Xia、Bo Zhao、Yankai Cao 在预印本 arXiv:2609.30662 里，把这种「任务级价值递减后仍持续行动」的轨迹模式，用非临床隐喻称作 LLM Parkinsonism，并给出治理架构 Global Executive Control（GEC）v0.2：把行动生成与项目级控制拆开。在 24,000 局、统一 40,000 token 上限的匹配候选基准上：首候选基线硬目标成功率 67.42%，候选集局部控制 96.53%，GEC 96.57%；相对候选集控制，GEC 在成功率几乎持平下，把平均 token 从 19,782 降到 12,574（36.4%），把 40k 上限下的受限完成代价（RMTTC₄₀ₖ）从 16,136 降到 13,114（18.7%），并消掉测得的完成前漂移（GDR_pre）、压低总复杂度堆积。[1]
本篇是机制文，不是临床类比科普。隐喻边界论文自己写得很紧——下文会照抄那条边界。对照阅读时，把它接到 harness 停止权与 token 效率主线上，而不是当成又一篇「agent 爱啰嗦」短讯。
隐喻边界：只借现象学，不借病理
论文 §3 明确：Parkinsonism 在这里只是现象学类比，不主张 LLM 有基底神经节障碍或多巴胺通路问题；也不把「啰嗦」等同于该构念。借的是重复动作幅度/价值递减却停不下来的轨迹形状，并刻意收窄，以免临床误读。作者后来连探索性指标名都从「LLM Parkinsonism Index」改成 Executive Persistence Index（EPI），避免隐喻被当成临床验证。[1]
工程上记住三句话就够：
- 这是轨迹级失败模式的名字，不是医学诊断。
- 近因假设不是「自回归预测本身」，而是提案、范围解释、进度评估、停止权挤在同一自条件环里。
- 处方是外置项目级治理，不是再训一个更会说「我做完了」的模型。[1]
动机例子：双节点灾备监视器
引言用一个紧凑的 Goal Contract：节点 A/B 各自不可用时发对应告警；都不可用时两个节点级条件仍可观测；恢复后回到正确健康态。Agent 却可能「聪明地」引入站点级聚合：A、B 同时不可用时压制单节点告警、改发一条 SITE DOWN——于是多出相关状态、时序窗口、压制规则、合成测试、新失败模式与部署门禁，再花大量 token 调试原目标从未要求的子系统。[1]
这就是论文要区分的两种智力：
- 解题智力：下一刀怎么砍。
- 执行控制智力：这刀还在不在被治理的目标里、使能步骤有没有因果理由、复杂度值不值、证据在变更后是否仍有效、现在停是否理性。[1]
经济含义也很直接：在按推理与工具计量费的世界里，不能只看「最终成功了没有」。Cost-aware 评测、长程规划、overthinking、无限 agent 环、以及「自评把忙碌当成进度」的工作，都在同一问题族里；GEC 补的是项目级范围、证据与停止，而不只是压缩 token。[1]
四个组成部分
作者把 LLM Parkinsonism 形式化为四块（与摘要/贡献一致的系统叙述）：
- Goal drift（目标漂移）——动作与被治理目标失去因果联系，却仍被执行。
- Complexity accretion（复杂度堆积）——为可选层、自造边角与维护债持续加码。
- Termination failure（终止失败）——硬目标已满足或已无可行路径，却不进入正确终端态。
- Token-inefficient persistence（token 低效持续）——在边际任务价值很低时仍消耗大量 token。[1]
主基准里还把指标拆开：完成前漂移（GDR_pre）与完成后 overrun（TOR）分开报；主完成代价用全样本受限均值 RMTTC₄₀ₖ，避免「只统计成功局」偷偷丢掉未完成轨迹。[1]
系统假设：坍塌的执行权威
论文中心论点很短：总能再提出一个合理下一步的模型，不等于知道下一步还值不值得做。 更近的系统假设是：提案生成、需求提升、进度评估、停止权集中在同一自条件环——局部下一步永远「说得通」，全局继续却变差。[1]
因此 GEC 不做「让同一个环更会反省」，而是把治理拆出去。
GEC v0.2：提案与项目级控制分离
图示级结构（§7）：模型/生成器负责提案；冻结的 Goal Contract 定义硬/软目标与显式非目标；独立范围裁决给每个候选 ScopeAssessment；证据带状态版本，变更可使旧证据失效；在候选集上算契约对齐期望价值并选净价值最高者；停止是状态级决策，而不是「某一个坏提案被拒就停项目」。[1]
关键机制（按论文口径）：
- 候选集治理——每环看多个候选（基准里每环 3 个），可拒坏动作而留其它候选；也可在评估完继续集后做经济停止。[1]
- 独立范围门——显式非目标 → FORBIDDEN；无因果支持 → NONE；直接/前提/验证/风险缓解/软链接在置信度过阈后才可能合格。不再信任提出动作的同一 LLM 自报的 target_criterion。[1]
- 动作级拒绝 ≠ 项目级停止——单个候选 (V(a|s) \le \tau) 只拒绝该动作；经济停止仅当硬需求已完成且继续集中无正净价值候选；硬需求未完成且无可行路径 →
STOP_BLOCKED；预算耗尽 →STOP_BUDGET。[1] - 证据携带的成功——
STOP_SUCCESS要求每个硬准则都有仍有效的证据；后续状态变更可使证据作废，防止「过期完工证」。[1] - 合同修订外置——执行器可提议修订，不能自己授权；非目标是可执行合同元素，不是文档装饰。[1]
- 无进展熔断——原型在 (k=3) 环无硬进展/有效前提/新外部证据时请求全局重规划；作者坦承在外生候选流基准里该熔断对效率无独立增益，因重规划改不了未来候选，但保留它针对真实 live agent 失败模式。[1]
- 删除优先（概念）——自造结构惹祸时优先 DELETE → SIMPLIFY → FIX → ADD；LPB v0.2 未定量隔离该原则。[1]
实现是无依赖 Python 研究原型；仓库见论文给出的 LLM-Parkinsonism-Solutions。[1]
LPB v0.2：匹配候选，才能分清「多看几个候选」与「真治理」
若基线只能看第一个提案、GEC 能看三个，成功暴涨可能只是 best-of-three。LPB v0.2 的关键设计是：策略无关的外生候选集——同一种子预生成候选与随机结果，基线、仅预算、候选集局部控制、GEC 面对同一机会流；治理只能选/拒，不能强迫生成器下一环吐出必需动作。[1]
六类合成任务族：双节点灾备监视、API 发布、数据库迁移、CI 流水线、备份恢复验证、可复现研究流水线。主实验：6 场景 × 4 策略 × 每格 1,000 局 = 24,000 局；硬上限 40k token；根种子 20260911。[1]
四个条件：[1]
| 条件 | 看见候选 | 独立范围/价值治理 |
|---|---|---|
| 基线局部环 | 只执行第一个 | 无；概率性项目停止 |
| 仅预算 | 同序，预算装不下才跳 | 无 |
| 候选集局部控制 | 三个；用生成器自报链接 + 代价平局打破 | 无独立范围/证据价值门/复杂度惩罚 |
| GEC v0.2 | 三个；独立裁决 + 契约价值 | 有 |
作者强调：LPB 是机制隔离试验台，不是真实模型患病率估计；live-model 验证仍必要。[1]
主结果：成功来自候选集，省钱来自治理
主表（§9.1，合成基准，非商业 LLM 实测）：[1]
| 指标 | 基线 | 仅预算 | 候选集局部 | GEC v0.2 |
|---|---|---|---|---|
| 硬目标成功 | 67.42% | 67.85% | 96.53% | 96.57% |
| 平均总 token | 32,058 | 32,170 | 19,782 | 12,574 |
| RMTTC₄₀ₖ | 29,024 | 29,021 | 16,136 | 13,114 |
| TOR（完成后 overrun） | 0.1249 | 0.1256 | 0.1967 | 0 |
| GDR_pre | 0.2721 | 0.2718 | 0.1290 | 0 |
| Token Efficiency | 0.0317 | 0.0317 | 0.0589 | 0.0963 |
解读必须跟论文一致：相对首候选基线，GEC 成功率 +29.15pp、均 token −60.8%；但候选集局部控制已到 96.53%，与 GEC 几乎同成功——多看候选解释了大部分成功增益。相对候选集控制，GEC 的贡献是效率与纪律：均 token −36.4%，RMTTC₄₀ₖ −18.7%，TE 约 1.63×，GDR_pre 从 0.1290 → 0，总复杂度堆积从文中对照叙述的高水平压到与治理一致的低位（主表 GEC Gross CAI 0.1228）。零 TOR / 零 GDR_pre 在很大程度上是控制器不变量在该基准设定下的后果，用来验证治理，而不是拿去营销「永不漂移」。[1]
预算敏感性（§9.2）：随上限变宽，GEC 相对仅预算的成功优势扩大；对数预算成功 AUC 为 GEC 0.467 vs 仅预算 0.167（约 2.79×）。含义不是 GEC 凭空造能力，而是把固定候选机会分配到有治理因果相关性、更高期望价值的动作上。[1]
消融：范围权与价值门各自砍什么
§9.3（每场景 300 局量级）：[1]
| 策略 | 成功 | 均 token | GDR_pre | Gross CAI |
|---|---|---|---|---|
| Full GEC | 0.9611 | 12,733 | 0 | 0.1243 |
| 无独立范围权 | 0.9522 | 14,036 | 0.0716 | 0.3144 |
| 无价值门 | 0.9600 | 14,500 | 0 | 0.1263 |
| 无无进展熔断 | 0.9611 | 12,318 | 0 | 0.1243 |
去掉独立范围权：完成前漂移回来，总复杂度相对 full GEC 升到两倍以上。去掉价值门：成功仍在，均 token 大约多 1.77k。去掉无进展熔断：在此外生候选流上反而略「更省」——作者把它写成负面证据：熔断针对的 live 失败模式，在改不了未来候选的模拟器里测不出独立好处。[1]
治理开销敏感性：每治理环额外加最多 500 个合成治理 token，相对结论仍有利；作者把这些开销写成模型等价压力测试，而非标定云厂商单价。[1] 另有「有益软工作」探针：硬目标完成后，低成本有益软动作应批准、高成本低价值软动作应拒绝——防止 GEC 被误读成「完成后绝对禁止一切」。[1]
「停不住」在生产里长什么样
把论文四元组映射到值班时能看见的症状，比背术语有用：
| 论文组件 | 值班时常见外观 | 错误归因 | 更像样的探针 |
|---|---|---|---|
| Goal drift | 开始改「顺手做的」监控/聚合/重构，PR 描述仍写原 ticket | 「模型太主动」 | 动作是否链到合同里的硬准则或已批准前提 |
| Complexity accretion | 为可选层写测试、再为测试写修复，diff 行数涨、业务验收项不变 | 「工程质量高」 | 自造文件/服务数、净复杂度是否只涨不跌 |
| Termination failure | 验收已绿仍继续「再确认一次」；或明显 blocked 却无限重试 | 「谨慎」 | 是否进入 done / good-enough / blocked / budget |
| Token-inefficient persistence | 账单后半段陡升，外部效用平坦 | 「上下文太长」 | 完成前后 token 分段；TOR / 尾部 TE |
站内三种烧钱习惯文里的 ReTest，经常是终止失败的一种薄外观：patch 没变，测试却再跑。[2] Parkinsonism 视角多问一句——是检测器没拦住重复，还是项目级根本不该再有下一步？ 两层都要修。
与「再加一段请停止的提示」有什么不同
团队常试的补丁是：在系统提示里写「完成后停止」「不要过度工程」。论文相关工作把 Reflexion 一类自反馈环放在「强但制造控制问题」的位置——局部合理的下一步，不蕴含全局仍值得继续。[1]
GEC 的差异不在「话术更严厉」，而在权威位置：
- 范围裁决不信任提案者自报链接；
- 完工依赖外部/状态版本化证据，而不是模型说 DONE；
- 合同修订不能由执行器自批——与安全侧「agent 不能自批提权」同构。
若你的「停止提示」仍由同一 completion 解释，你只是把停止权又塞回了那个自条件环。
预算天花板为什么不够
仅预算臂与基线成功率几乎贴在一起（约 67–68%），说明硬 token 上限 alone 选不出高价值工作——装得下的低价值动作仍会被执行。[1] 预算敏感性表更狠：在 12k 上限，仅预算成功约 6.89%，GEC 约 54.11%；到 40k 才分别到约 68.67% / 96.33%。[1]
对采购与平台团队，这意味着：把「给够 token」当成治理，会在中等预算区最吃亏——钱花了，硬目标仍大量未完成；而治理臂把同一机会流拧向有因果链接的动作。论文用对数预算 AUC 概括全区间效率，避免只盯一个任意阈值。[1]
Live 验证协议：别把模拟数字贴到产品页
§12 预写了配对 live 实验：同一基座模型、温度/推理设置、工具面、Goal Contract 与验收准则，在基线 / 仅预算 / GEC 下对比；主终点是外部裁定的硬目标成功，以及全样本受限完成代价（含未完成），避免条件化完成时间偷删失败局。[1]
次终点包括条件完成 token、TE、TOR、GDR_pre、复杂度、工具调用、墙钟、合同修订次数、验证器作废事件、重尾分位；独立范围裁决器与验证器的推理成本必须计入；范围链接应抽样双人/盲评复核；能用确定性检查时，不要让提案-执行的同一 LLM 独家宣判完工。[1]
任务集应覆盖：多步前提、合法有益软改进、需授权修订的变目标、后写坏前证据、正确结局是 BLOCKED 的题。模型族至少含一个前沿推理模型与一个低成本模型。[1]
把这段写进内部实验设计，比把 36.4% 直接印到销售页更负责任——36.4% 是相对候选集控制、在合成 LPB 上的均 token 降幅。[1]
和站内成本/ harness 文怎么接
- 三种烧钱习惯（t299）——SubRetrv / SimScrpt / ReTest 是轨迹内可检测的重复劳动。[2] Parkinsonism 更偏项目级继续决策：目标已够仍加层。两者常叠在一起：空转重测可以是 ReTest，也可以是终止失败的一种外观。
- Harness 控成本——账单责任常在 harness 默认，不在「模型贵」。[3] GEC 把「停止权」显式标成 harness/治理层对象，而不是希望模型自己悟。
- 扩张 harness 而非堆上下文——把反复出现的控制长成代码。[4] 范围门、价值门、证据版本、终端态枚举，正是该长进代码的控制，而不是再塞一段「请及时停止」的提示。
DNS pause / MoMHa 等若未发正式 slug，本文不链。机制上「外置停止/外置批准」与 OpenShell Policy Advisor「agent 不能自批」同族——今天上午的 OpenShell 文谈安全停车绳；本文谈经济与范围停车绳。
软目标与「完成后绝对禁止」的误解
有益软工作探针故意放在硬准则已经有效完成之后：候选集里同时有低成本有益软动作与高成本低价值软动作。GEC 应批准前者、拒绝后者，并继续，而不是因为看见一个坏软候选就宣布经济停止。[1]
这直接打脸两种产品误读：
- 「治理 = 永远尽早停」——真正要的是边际价值门，不是禁欲。
- 「软目标可以偷偷变成硬成功」——论文把软目标价值单独加权（β），不能无声并进硬效用。[1]
写 Goal Contract 时，把「文档润色 / 额外可观测性 / 可选重构」放进软栏，并规定谁有权在中途把某条软目标升成硬准则——升格本身应走合同修订，而不是让 agent 在轨迹里自我提权。
噪声稳健：优雅降级，而不是一碰就崩
§8.9 / 结果侧对范围误报误拒与验证器噪声做了简单压力（名义水平 0、0.02、0.05、0.10）。实验意图是测优雅降级，不是标定真实验证器误差率。[1] 对工程的启示是：独立裁决器也会错，系统设计应允许抽样审计与人工覆写，而不是假设「外置 = 永真」。把范围门做成可观测决策（FORBIDDEN / NONE / 链接类型 / 置信度），比做成不可解释的黑盒二次模型，更利于事后纠错。
Harness 设计师清单
- 把 Goal Contract 写死并版本化。 硬准则、软目标、显式非目标分栏；修订走外置授权，执行器只能提议。
- 停止权离开提案模型。 至少：独立范围检查器（规则/第二模型/形式条件）+ 证据校验；不要让同一 completion 既写 patch 又宣判 DONE。
- 终端态要分清。
done/good-enough（经济停止）/blocked/budget——「没做成却一直试」应进 blocked，而不是假装成功。 - 拒动作 ≠ 停项目。 单候选低价值只拒该步；项目停止看「硬需求是否完成 + 继续集是否还有正价值」。
- 证据带版本。 改了相关状态就作废旧完工证；对照「自评把忙碌当进度」类失败。[1]
- 先测候选集，再测治理。 若你的 A/B 里实验臂能看 K 个候选、对照只能看 1 个，先加「候选集局部控制」臂，避免把 best-of-K 记成治理胜利——论文的方法学核心。[1]
- 熔断针对真实失败模式。 无进展重规划在外生候选模拟器里可能显不出好处；在 live 环里仍值得留，但要用 live 指标验收。[1]
- 把治理 token 算进账单。 独立裁决器与验证器的推理成本必须计入；论文对 live 协议也要求如此。[1]
- 与轨迹浪费检测联用。 ReTest/SubRetrv 检测器管「重复劳动」；GEC 类治理管「该不该还有下一步」。
- 删除优先写进默认策略。 自造复杂度引发的失败，默认先删/简化再叠加修复——即便基准尚未定量，也是可执行的工程默认。[1]
局限（照抄论文诚实处）
- 主数字来自合成机制基准，不是某家商业模型的线上 A/B；作者专章写了 live-model 验证协议。[1]
- 零 TOR / 零 GDR_pre 大量由默认独立范围门与确定性证据终止强制出来，用于验证不变量。[1]
- 无进展熔断在 LPB v0.2 上无独立效率证据。[1]
- 隐喻有误读风险；中性替代表述可以是 agentic executive-control persistence。[1]
结语
弱点往往不是「不会做」，而是很会做的时候，仍缺少项目级执行控制。Agent 可以极擅长回答「下一步能做什么」，却不可靠地回答「还应不应该做」。GEC v0.2 的压缩规则是：
- 无被治理的因果链接 ⇒ 动作成不了必选项；
- 单动作低价值 ⇒ 拒绝该动作，不是停掉整个项目；
- 硬需求完成且无正价值继续 ⇒ 经济停止；
- 硬需求未完成且无可行路径 ⇒ blocked，不是假装成功。[1]
对 harness 设计师，这意味着：把范围、证据、预算与停止权做成模型够不到的一层——与今天上午谈的安全边界外移，是同一张控制面地图的两边。
参考来源
- Xiao D, Wang Z, Xia X, Zhao B, Cao Y. LLM Parkinsonism: Executive-Control Failure, Token-Inefficient Persistence, and an Uncertainty-Aware Global Executive Control Architecture for Autonomous Language-Model Agents. arXiv:2609.30662, 2026-09-25. https://arxiv.org/abs/2609.30662 · PDF https://arxiv.org/pdf/2609.30662 · code https://github.com/DongshengXiao/LLM-Parkinsonism-Solutions
- 站内：Coding Agent 烧钱的三种习惯
- 站内：Control the Harness, Control the Cost
- 站内：扩张 Harness，而不是堆上下文