知道何时该相信技能：面向单智能体LLM的延迟评估与认知警觉

随着大语言模型（LLM）转变为与庞大工具生态集成的自主智能体，传统路由启发式日益受制于上下文污染与"过度思考"。我们认为，瓶颈不在于算法能力或技能多样性的不足，而在于缺乏有纪律的二阶元认知治理。本文的科学贡献聚焦于将人类认知控制——具体即延迟评估（delayed appraisal）、认知警觉（epistemic vigilance）与近端卸载区域（region-of-proximal offloading）——计算化地转译到单智能体架构中。我们提出MESA-S（Metacognitive Skills for Agents, Single-agent），一个初步框架，将标量置信度估计转变为一个向量，把自信（参数确定性）与来源置信（对检索到的外部程序的信任）分离开。通过形式化延迟程序探测机制并引入元认知技能卡（Metacognitive Skill Cards），MESA-S将对技能效用的感知与其token密集的执行解耦。在通过Gemini 3.1 Pro原生执行的上下文静态基准评估下，我们的初步结果表明，显式编程信任来源与延迟升级可缓解供应链脆弱性、剪除不必要的推理循环，并防止卸载引发的置信度膨胀。该架构朝着可靠、具有认知警觉的单智能体编排迈出了科学上审慎、以行为为锚的一步。