别启动你完成不了的任务：LLM智能体支持状态分诊的反事实审计

当前的智能体评估大多奖励在完全明确任务上的执行，而近期工作对澄清[11, 22, 2]、能力自知[9, 1]、弃答[8, 14]与搜索终止[20, 5]的研究大多是割裂进行的。智能体能否在行动前诊断任务为何受阻，这一问题仍悬而未决。我们提出支持状态分诊审计（Support-State Triage Audit，SSTA-32），一个配对项诊断框架：通过最小反事实编辑，将同一基础请求在四种支持状态之间翻转——Complete（ANSWER）、Clarifiable（CLARIFY）、Support-Blocked（REQUEST SUPPORT）与Unsupported-Now（ABSTAIN）。我们在四种提示条件——Direct、Action-Only、Confidence-Only以及类型化的Preflight Support Check（PSC）——下评估一个前沿模型，采用带确定性启发式评分的双人格自动审计（DPAA）。默认执行在非完整任务上严重过度承诺（过度承诺率41.7%）。标量置信度映射虽避免过度承诺，却使三去向的分诊空间坍缩（类型化分诊准确率58.3%）。相反，Action-Only与PSC通过在提示中显式给出分类本体，均达到91.7%的类型化分诊准确率。针对性消融证实：移除支持充分性维度会选择性地降低REQUEST SUPPORT准确率，而移除证据充分性维度会在不支持项上引发系统性过度承诺。由于DPAA在单一上下文窗口内运行，这些结果代表能力上限估计；尽管如此，结构性发现表明前沿模型具备强大的潜在分诊能力，但需要显式的分类决策路径才能被安全激活。