何时足够才算足够？搜索代理中的幻觉式完成

近期搜索代理利用多轮推理和搜索工具在复杂基准测试中表现优异，但其在多约束问题中跟踪、验证及维持多个条件的能力尚不明确。研究发现代理常出现“幻觉式完成”，即在约束未满足时误判任务完成。为此，作者提出“认知账本”评估框架以诊断证据支持与信念状态，识别出四种失败模式。进一步提出的推理时追踪器 LiveLedger 通过显式跟踪约束状态，显著减少了未充分验证的答案并提升了整体准确率。