认知伴侣：面向LLM智能体推理退化检测与恢复的轻量并行监控架构

大语言模型（LLM）智能体在多步任务中会出现推理退化、循环、漂移与卡死，在困难任务上发生率高达30%。现有方案包括硬性步数上限（过于生硬）或LLM-as-judge监控（每步10-15%开销）。本文提出认知伴侣（Cognitive Companion），一种并行监控架构，包含两种实现：基于LLM的伴侣与新颖的零开销、基于探针（Probe）的伴侣。我们报告一项以Gemma 4 E4B为中心的三批次可行性研究，并对Qwen 2.5 1.5B和Llama 3.2 1B进行了额外的探索性小模型分析。实验中，基于LLM的伴侣以约11%的开销将易循环任务上的重复减少了52-62%。基于第28层隐藏状态训练的探针伴侣在零测量推理开销下平均效应量达+0.471；其最强的探针结果在小规模代理标注数据集上取得交叉验证AUROC 0.840。一项关键实证发现是伴侣收益呈现任务类型依赖：伴侣在易循环和开放式任务上最有帮助，而在更结构化的任务上效果为中性或负面。小模型实验还提示可能存在规模边界：即便干预被触发，伴侣也未改善1B-1.5B模型上测得的质量代理指标。总体而言，本文应被视为可行性研究而非决定性验证。结果提供了令人鼓舞的证据，表明子词元（sub-token）监控可能有用，指出任务类型敏感性是实际的设计约束，并提示选择性伴侣激活是未来工作的有前景方向。