让AI Agent学会“及时停手”：华盛顿大学团队提出上下文工程方法CONVOLVE

如果任务本身不可行，或在当前环境中无法完成时，Agent 该在什么时候“停手”？

我们希望，Agent 能在多轮交互中及时调用搜索、网页浏览和终端工具，从而完成复杂任务。但在现实情况下，用户的请求不一定清晰，目标也不一定能实现。很多 Agent 并不知道什么时候该停下来，常常在任务已经不可行时仍继续搜索、点击和调用工具。

针对这个问题，华盛顿大学团队提出了 Agentic Abstention 框架，专门研究 Agent 何时该停止行动，并设计了一种上下文工程方法 CONVOLVE（Context Evolution）来提升 Agent 的弃答能力。

论文链接：https://arxiv.org/abs/2606.28733

结果显示，大多 Agent 很难做到及时弃答，也往往不能在证据已经足够时立即停止执行。更大的模型、更强的推理虽然能在一定程度减少过度弃答，但未必能提升整体弃答表现。模型能力、推理方式和 Agent 框架都会影响弃答效果。

不过，CONVOLVE 可以显著改进弃答能力，且具有很强的迁移性：小模型总结的规则，同样能帮助大模型提升表现。

这项研究提出了一种无需更新模型参数的 Agent 改进方法：把交互轨迹提炼成可复用的停止规则，帮助 Agent 更早判断何时该停下来。

让Agent主动放弃回答

Agentic Abstention 是一个研究 Agent 何时该停止行动的框架。与传统大语言模型（LLM）的单轮回答不同，它关注的是多轮交互中的弃答问题。

Agent 往往要和环境交互之后，才知道任务到底能不能进行。围绕这一框架，研究团队定义了弃答情形，再构建评测任务，并提出了改进方法，在超过 2.8 万个任务上评估了 13 个 LLM-as-Agent系统和 2 种 Agent 脚手架。

图｜所选 AbstentionBench 子集在各数据集和场景中的构成。

具体流程如下：

1.弃答情形：在交互过程中，Agent 需要不断判断：是直接回答、停止弃答，还是继续搜索、点击或调用工具。研究团队进一步将弃答分为两类：一类是基于请求的弃答，即仅从指令本身就能判断任务不可行；另一类是基于环境的弃答，即任务起初看似可行，但在交互之后才发现环境中缺少目标或必要前提。

2.评测任务：为了系统评估 Agent 的弃答能力，研究团队设计了三类任务：网页购物、终端操作和交互式问答，总共覆盖超过 2.8 万个任务。

• 网页场景： 基 于模拟在线购物环境 WebShop 构建 ，用来测试 Agent 如何搜索、浏览和选择商品。里既包含正常的购物任务，也包含应当弃答的任务：有些从指令本身就能判断不可行，有些则需要交互后才发现目标商品并不存在。

• 终端场景： 基 于 Terminal-Bench 2.0 构建， 该基准用于测试 Agent 在 Docker 化终端环境中的长程任务执行能力。任务通常涉及系统配置、代码修改和软件工程问题求解。研究团队在原始可解任务的基础上 ， 同时加入了一批应当弃答的任务。

• 问答场景 ：基于 AbstentionBench 构建，该基准用 于评估 LLM 在问答任务中是否应该回答还是弃答。研究团队在此基础上，将原本的单轮问答任务改造成了可搜索、可多轮决策的交互式问答任务，覆盖答案未知、虚假前提、主观、上下文不明确和意图不明确等多类应当弃答的情形。

3.改进方法：研究团队提出了 CONVOLVE，这是一种用于提升 Agent 弃答能力的上下文工程方法。它不直接训练新参数，而是把交互轨迹中的弃答经验整理成经验手册，作为后续任务的上下文提示，帮助模型更早作出弃答判断。

实验结果如何？

研究团队发现，大多数 Agent 很难做到及时弃答，也往往不能在证据已经足够时立即弃答。模型能力、推理方式和 Agent 框架会影响弃答表现，CONVOLVE 可以显著改进弃答能力。具体结果如下：

大多数 Agent 很难做到及时弃答，及时弃答率仅为 0-30%，且很少能在第一时间意识到任务不可行，往往要经过多轮尝试后才会停下来；不过，随着交互轮次增加，越来越多的 Agent 还是能意识到任务有问题。例如，在问答场景中，搜索轮次变多，确实能让更多模型最终弃答，但很难让它们更早作出判断；即使给到 10 轮机会，多数模型的弃答召回率仍不到一半。

图｜弃答对 Agent 来说是困难的，尤其是及时弃答。

1.模型能力和 Agent 框架都会影响弃答表现

在网页场景中，模型之间的差距最明显，少数模型已能在交互中逐步发现任务不可行并完成弃答，多数模型的弃答能力仍然偏弱。表现最好的 Llama-3.3-70B 模型最终弃答率接近 85%，但多数模型即使交互 10 轮，弃答率仍低于 50%；在终端场景中，Agent 框架的影响也很明显：即使用同一个模型，换一套框架，弃答效果也可能相差甚远。例如，同样使用 GPT-5.4-mini 模型，Codex CLI 的弃答表现仍明显优于 Terminus2。

图｜Web 和 Terminal 场景中，可解实例上的累计过度弃答率随回合数变化的情况。

2.不同类型的任务，弃答难度也不一样

如果问题出在指令本身，例如条件自相矛盾，Agent 通常更容易识别并及时弃答；如果任务看起来正常、只有交互后才发现目标不存在，Agent 往往执行好几轮后才会停下来；如果用户没把意图说清楚，几乎所有模型和脚手架都表现不佳。在终端场景中，一旦用户意图不清，Codex CLI 和 Terminus 2 都很难判断是否需要弃答。

图｜Web、Terminal 和 QA 场景中不同弃答类别下的 AbsRec@K。自上而下，各行分别展示Web、Terminal 和 QA 的结果。

3.更强的推理能在一定程度上减少过度弃答

例如在网页场景中，Qwen3-235B 的 Thinking 版本过度弃答率低于 Instruct 版本；在终端场景中，中等和高推理强度下的过度弃答率整体也处于较低水平。

不过，更强的推理能力并不意味着更好的弃答表现。网页场景中，Qwen-3-235B 的 Thinking 版本虽然提升了及时弃答率，但总体弃答率反而下降。更强的推理有助于在 Agent 第一时间做出判断，却未必能提升整体表现。终端场景中，中等推理强度效果最好，继续提升到高推理并没有带来额外收益。

图｜更多推理会在一定程度上提升 AbsRec@1，但与此同时，在 Web 和 Terminal 两种场景中，整体弃答召回率（AbsRec@10）反而会下降。

4.模型规模扩大并不意味着效果更好

研究团队在 Qwen 系列上测试发现，模型规模增大确实能提升最终弃答率，但对及时弃答几乎没有帮助。

图｜规模扩展提升了整体召回率，但并未提升及时召回率。

那么，CONVOLVE 的效果怎么样呢？研究团队给出了以下两点：

1.即使只用少量交互轨迹，CONVOLVE 也能显著提升模型的弃答能力。

与单纯依靠上下文学习相比，不同规模的模型都能从 CONVOLVE 中受益；即便是较小的 8B 模型，在使用 70B模型总结出的经验手册后，弃答表现也能稳定提升。在网页场景，CONVOLVE 只用 20 条交互轨迹，就把 Llama-3.3-70B 的及时弃答率从26.7 提升到 57.4，最终弃答率从 83.2 提升到 100.0。

2.小模型学到的经验可以迁移到大模型。

8B 模型总结出的经验手册，也能直接提升70B 模型的弃答表现，而且效果接近大模型使用自身经验时的水平。真正发挥作用的，是 CONVOLVE 从交互轨迹中提炼出的“停止规则”。

图｜CONVOLVE 在 WebShop 上提升了弃答表现。训练后的变体使用了 20 条轨迹。

图｜CONVOLVE 在 AbstentionBench 和 TerminalBench 上提升了弃答表现。

不足与未来方向

尽管研究团队围绕 Agent 何时该停止行动进行了系统研究，并在网页、终端和问答三类场景中进行了较大规模评测，研究团队也指出了目前工作的不足。具体如下：

目前，当前评测场景仍然有限，尚未覆盖真实 Agent 可能面对的更复杂界面、私有工具、长期用户状态和多步骤工作流。未来，仍需将 Agentic Abstention 扩展到更丰富的真实部署环境中。

其次，现有弃答任务主要覆盖“目标缺失”和“前置条件缺失”等情形，而权限边界、外部源失效、工具输出冲突等更隐蔽的不可行场景尚未充分覆盖，未来仍需要更丰富的任务类型以全面评估弃答能力。

他们指出，弃答表现不仅取决于模型本身，也受 Agent 框架设计的显著影响，因此本文结果更多反映的是当前系统的阶段性表现，而非底层模型的固有能力。此外，部分模型仍可能在预训练或后训练阶段接触过类似样本，这一风险仍需在更真实、持续更新的评测环境中进一步检验。

最后，他们写道，弃答并非越多越好。过度弃答会削弱 Agent 的实用性，因此需要结合任务成功率一起评估；在实际部署中，弃答也还需要与澄清请求、人工介入等机制配合。未来，如何把这些机制更好地整合进真实系统，仍是一个值得继续研究的问题。

更多技术细节，详见原论文。

作者：夏千斯

如需转载或投稿，请直接在本文章评论区内留言