别想太多：跨rollout动作一致性作为LLM智能体的免费自适应计算信号

推理时计算扩展已成为提升大语言模型（LLM）智能体可靠性的有力技术，但现有方法均匀施加算力：无论难易，每个决策步骤都获得相同预算。我们提出TrACE（Trajectorical Adaptive Compute via agrEement），一个免训练控制器，通过测量跨rollout的动作一致性，在智能体时间步之间自适应分配LLM调用。在每一步，TrACE采样一小组候选的下一步动作，并测量模型坚持同一动作的一致程度。高一致性表明决策容易，控制器立即提交；低一致性表明存在不确定性，控制器在提交给多数动作之前会采样更多rollout，直至达到可配置的上限。无需学习组件、无需外部验证器、也无需人工标注。我们在两个基准上把TrACE与贪婪解码和固定预算自一致性（SC-4、SC-8）进行对比，两个基准覆盖单步推理（GSM8K，n=50）与多步家庭导航（MiniHouse，n=30），使用运行于CPU上的Qwen 2.5 3B Instruct模型。TrACE-4在GSM8K上少用33%、在MiniHouse上少用39%的LLM调用，达到与SC-4相同的准确率。TrACE-8在GSM8K上少用55%、在MiniHouse上少用65%的调用，达到与SC-8相同的准确率。我们进一步表明，跨rollout一致性是步骤级成功的可靠信号，验证了核心假设：模型自身的输出一致性编码了难度信息，无需训练即可加以利用。TrACE是首个在多步序贯决策任务上被评估的免训练、逐时间步自适应计算控制器。