CogEEGAgent：迈向具备锚定执行与选择感知验证的自主认知脑电分析

认知研究中的脑电图（EEG）分析需要专门知识，并涉及在对比条件、通道、时间窗和统计检验等方面的许多需要给出依据的选择。LLM智能体可以将各种自然语言问题转化为分析选择，为自动化提供灵活的接口。然而，仅凭流畅的报告无法证明智能体确实选择了所要求的分析，或独立于适应性搜索对验证性主张进行了评估。我们提出CogEEGAgent，一个以MNE-Python为基础的认知脑电分析智能体。其EEG专用科学框架将语义权威与科学权威分离：LLM解读意图并提出已注册的分析，而确定性组件验证类型化契约、控制确认权限并授权基于证据的发布。在一个预先指定的路由基准上，CogEEGAgent将语言映射到已注册分析的准确率高于匹配的确定性路由器，而匹配的预检使两个系统在需要时都会弃权。在一场由外部模型撰写、结果盲评的测试活动中，完整系统在参与者不相交的确认下发布有依据的分析，并阻止预先指定的能力危害和生命周期复用请求。策略压力测试表明，保留确认环节能抑制未经校正的适应性搜索带来的假阳性。这些研究共同为认知脑电工作流确立了有界自主性和可审计的自动化框架。更广泛地说，它们展示了科学智能体如何将灵活的语言理解与对推断和发布的失效关闭（fail-closed）控制相结合。