AgentAbstain：LLM智能体知道何时不该行动吗

基于大语言模型（LLM）的智能体系统日益被部署执行自主任务，但既有评估大多关注任务成功，而非智能体是否知道何时应弃权。该空白带来真实风险：在歧义、约束冲突或工具失败下，智能体可能执行意外且不可逆的动作。为弥合该差距，我们提出首个系统的智能体弃权评估框架：工具使用型LLM智能体识别“何时不行动”的校准能力。AgentAbstain的核心是一个配对任务基准：建立在跨执行前推理与运行时发现的8类弃权场景的智能体原生分类之上；含42个可执行沙箱环境中的263个配对任务——每对由一个应行动任务与一个经受控扰动（指令、工具或环境状态）产生的应弃权变体构成。为规模化该配对设计并抵抗数据污染，我们提出AbstainGen：全自动合成沙箱环境并端到端生成配对任务的管线，经确定性重放与语义LLM裁判验证；新任务实例可按需再生成，三名独立标注者把94–98%的抽样任务评为设计良好。跨17个前沿LLM、4种智能体治控：最佳智能体（Gemini 3.1 Pro）仅取得59.5%的配对准确率（每对任务的行动与弃权两侧都正确）。更重要的是，弃权能力与通用任务解决能力大体独立——仅靠扩展任务解决能力无法弥合该差距。我们进一步识别事后弃权等失败模式：智能体在识别弃权触发前就执行了不可逆动作。代码与数据集开源于agentabstain.github.io。