思考、查看还是行动：test-time 预算三岔口与长视野败局

计划拆得再好，agent 每走一步都还要做一个更小的决定：这一步的算力花在哪。多想、多看，还是直接上手？

这个决定看似只值几条消息，却在两头同时决定成败：一头是单个 issue 会不会越改越坏（L5 p.25），另一头是几百步的长任务能不能活着走到终点（L5 p.28-30）。

一岔路口：同一份预算的三种花法

提到测试时扩展，多数人想到的是想得更久：把思维链拉长，让模型在输出动作之前多推几步。

但 Test-Time Interaction（TTI，Shen et al.，NeurIPS 2025）在 L5 p.24 摆出 Fig.3 这张对齐算力的比较图。

同样多的算力，可以花在三种推理方式上：拉长思维链、采样多个候选，或与环境进行更多交互。TTI 的立场鲜明：交互是一条被系统性低估的扩展轴。

交互视界（interaction horizon）拉长之后，agent 才谈得上探索、回溯与动态重规划，也才能像 Reflexion 那样从环境拿到再长的思维链都推不出来的信息。

TTI 的配图里有一句台词浓缩了这种气质：「You just signaled task completion. Let’s pause and think again.」刚宣布完成就自我叫停、回头再查一遍。做在这里是想的信息来源。

这条路的回报也实打实：作为官方 reading、三岔口上算力换交互的一手论证，TTI 用课程式在线 RL 训 Gemma 3 12B，就在 WebVoyager 与 WebArena 两个网页 agent 基准上拿到开源开放数据下的 SOTA。收益记在交互轴上，与基座大小无关。

三岔口真正的要点在判据：从此每一步都是一次预算分配，想、看、做各有其时。接下来的两节，先看想得太多怎么反而输，再把查看做成一份可执行的判据。

想多了也会输：overthinking 的三种形态

判据失灵的第一种方式，是把想当成万能药。Cuadron et al.（2025）在 L5 p.25 用 Fig.1&4 给过度思考画了三张肖像：

最反直觉的是实证结论：overthinking 越多，issue 解决率越低，且跨模型成立。检测不必读思考内容：分类器只看动作序列与 reasoning token 数，API 模型也能用（字幕）。

这对下半场的编码智能体尤其刺眼：issue 就摆在那里，多一轮内心权衡不会改变任何测试结果，只有跑起来的那次验证才会。

想与好之间不仅没有单调关系，方向还会反过来。多花的每一步思考都在消耗预算、推迟环境反馈，而环境反馈是三岔口里唯一的新信息来源。

回头看 TTI 那句台词：它的价值在想完之后真的去查一遍。查看补上的，就是这份判据。

查看：先校准「我不知道什么」

既然该看，看什么、看到什么程度算够？Calibrate-Then-Act（CTA，Ding、Tomlin、Durrett，2026）在 L5 p.26-27 的 Fig.1 里把这个问题做成了一个干净得近乎侦探小说的实验：agent 要解析一批文件，每个文件藏着三个隐藏参数。

分隔符是逗号、分号还是制表符，引号用双引号还是单引号，表头跳 0 行还是 1 行。3 × 2 × 2 共 12 种组合，全部猜对才能解析成功。错一项即全盘失败。

唯一的线索是文件名：sales_fr.tsv 暗示制表符分隔，但也只是暗示。这个设计的精妙之处，是把 agent 不知道什么变成了可测量的对象：不确定性成了一张 12 格的概率表，可逐项测量。

CTA 的做法是把估计出的格式似然作为先验注入 prompt。效果出在行为上：模型开始知道自己不知道。它会把先验读出来，就是下面对比右栏那句。再拿这个概率决定行为。

把握不足，就先花一次查看把不确定性买下来；把握足够，才动手解析。校准的不确定性直接改变行为，何时停由此从玄学变成成本与不确定性的权衡。

同一条线上还有 PPP-Agent（Sun et al.，COLM 2026）：用多目标 RL 训练 agent，把不确定时主动向用户提问变成习得行为。不确定性的出口不止再查一次，还可以是问一句。

长视野：错误不是变大，是固化

单步判据失灵只是丢分；长视野下失灵，丢的是整局。Vending-Bench（Backlund & Petersson，2025，L5 p.28，Tables 3-4）让 agent 长时间经营一台自动售货机：定价、下单、补货。视野上限 2000 条消息、约 25M token，最多 222 个模拟日。失败并非随机，而是一条高度一致的三段级联：

环境是无辜的：它如实报告无货，履约邮件只是还没到。讲义在此反问：这只是计划没订好吗？归咎规划器是最省事的解释，但真正缺位的是信念更新：第一次误判之后从不复查、从不让新证据进场，错误便从一次误读固化成世界观。

那模型变强为什么还救不了？The Illusion of Diminishing Returns（Sinha et al.，2025，L5 p.29-30，Fig.1）给出最不容回避的机制：提高单步准确率确实能延长可执行视野，但另一股力在反向拉扯。这股力叫自条件化（self-conditioning）：后续步骤以自身输出为条件，前面错一点，后面就被放大一点。

两力对抗，制造出收益递减的假象；更大的模型能执行更长的任务，self-conditioning 也更强。RL 能否修复，讲义把它留作开放问题。

与本讲的连接

本篇下钻的，是伴读第二节「计划是假说，不是承诺」背后那条更暗的线：它列出的四类失败模式，后三类 —— 错误传播、世界漂移、过度自信 —— 在 Vending-Bench 里都有了实验对照，过早补货是读错了世界，错误推断是过度自信，错误固化是错误传播的终局。

伴读里 ReAct 交错式与 ReWOO 先想后做的谱系，是三岔口在思考与行动两端的来回摆动。报错、预期不符、连续失败这些重规划的触发条件，是 calibration 的工程近似。讲义在 L5 p.47 把这件事正式列为开放问题：agent 仍会误判何时该思考、何时该查看、何时该提问、何时该修订。

编码 agent 的定位 — 编辑 — 观察主循环，无非是 think-look-act 的日常形态：定位是查看，编辑是行动，观察后的更新是思考。

下次你的 agent 在第三十步突然宣布生意失败，先别急着加长它的思维链 —— 问一句：它上一次真正的查看，是什么时候？