从提案到可验证效果：Praxa 为受治理 AI Agent 执行提供证据约束框架
当 Agent 说"我完成了"，我们凭什么相信？
大语言模型 Agent 能提出行动方案，也能调用工具执行操作。但一个关键问题长期被忽视："提出提案"、"获得授权"、"实际派发"、"产生可验证的外部效果"、"上线推广"——这五个环节其实是完全不同的主张。把"Agent 说它做了"等同于"事情真的发生了"，正是当前 Agent 落地中最危险的认知缺口。
arXiv 最新论文 arXiv:2610.00015 提出了 Praxa——一个试图填补这一缺口的 Agent 执行框架（harness）。它的核心思路是：通过确定性准入、代理式执行、外部回读、对账核验、评审后推广五个显式状态，把"从授权到效果"的每一步变成可测试、可追溯的工程对象。
四条证据线索，以及作者坦率的自我否定
这篇论文最值得注意的，不是它宣称了什么，而是它明确拒绝宣称什么。作者 Stefan G. Creadore 报告了四条证据线索：
线索一：仓库本地审计。 在固定版本上，1,027/1,027 单元测试和 89/89 Workerd 测试全部通过，363 个预期源文件全部被插桩，四项覆盖率下限均达标。但作者直接注明：原始逐测试记录与独立复现不可用——也就是说，这只是一次作者自证的审计。
线索二：Terminal-Bench Core 0.1.1 试点。 在 12 个精选任务的提供商后端测试中，基线与"可靠性层"两组各通过 17/36 严格试验。可靠性层反而多用了 37.49% 输入 token 和 50.73% 输出 token。结论写得很干脆：该试点不支持可靠性层更优。
线索三：协调代理开发对比。 在调试后的两阶段对比中，基线与候选方案各完成 180/180 试验，测得准确率相同，均实现完整崩溃恢复、零受保护违规。候选方案少用 37.11% token、估算端点成本低 33.84%、步骤少 11.63%。但作者再次划清界限：这不代表质量、延迟或生产行为更优。
线索四：部署配置证据。 展示了有界反思、召回核算、记忆编译、工具健康检查等路径的存在，但没有生产环境的效果提升。
为什么这篇论文值得认真读
在 Agent 赛道充斥着"自主完成复杂任务""全面超越人类"式宣传的当下，Praxa 的贡献反而是克制的：它提供的是一套证据约束架构，让"授权→效果"的转换变得显式且可测试。
作者在结论中明确列出当前证据无法建立的清单：对抗性安全、生产安全、通用专家能力优越性、自主递归优化、用户收益——全部不予背书。
这或许才是这篇 30 页论文真正的价值所在：它示范了 AI Agent 研究应该如何诚实地报告边界。对于正在评估 Agent 落地可行性的工程团队而言，Praxa 的架构思路——尤其是"外部回读"与"对账核验"这两个环节——比任何性能数字都更具参考意义。