超越注意力稳定边界：智能体自合成推理协议

随着大语言模型（LLM）智能体转变为自主数字同事，在非线性多轮对话中保持确定性的目标导向已成为一个架构瓶颈。我们在仅解码器自回归 Transformer 中识别并形式化了一种称为注意力闩锁（Attention Latch）的系统性失效模式。这一现象是信息过度压缩（Information Over-squashing）的行为表现：当历史上下文的累积概率权重压过任务中途的更新时，智能体便会锚定在过时约束上，即便收到明确矛盾的指令也无动于衷。我们提出自合成推理协议（Self-Synthesizing Reasoning Protocols, SSRP），一个元认知框架，将高层架构规划（Architect）与逐轮程序化执行（Executive）离散分离。我们在 9K 条轨迹上评估 SSRP，使用 MultiWOZ 2.2 数据集和聚合枢轴准确率（Aggregate Pivot Accuracy, APA）——这一新指标通过将其分数映射到 U 形“Lost in the Middle”曲线得到验证。我们呈现了三个实验层级：浅层的基于新近性的检索试点、高熵 SOP，以及语义劫持的三跳多事实合成任务。我们的结果从实证上定位了注意力稳定边界（Attention Stability Boundary）：在该边界处，GPT 5.4 的无状态 Vanilla ReAct 基线成功率崩塌至 0.1%，而 SSRP 实现了 715 倍的韧性提升。我们在 Gemini 3.1 Pro、Claude Sonnet 4.6 和 DeepSeek V3.2 上展示了具有统计显著性的增益。审计通过三种方式证实了 SSRP 的必要性：借助递归反思基线（成功率 100%）证明注意力失效的存在；通过等距压力测试（准确率 90%）将闩锁效应与位置偏差解耦；并经由信息瓶颈原理和粒度消融对 SSRP 进行形式化。程序完整性审计（98.8% 遵循率）揭示了一个接地悖论（Grounding Paradox）：高稳定性模型在检索-推理污染下因拒绝产生幻觉而失败。