自由派生，谨慎行动：递归大语言模型智能体树的渐进式风险授权

递归 LLM 代理可以通过产生专家来扩大搜索范围。一些分支稍后会请求发送数据或部署代码的工具。分支机构何时应获得采取行动的权力？我们将沙箱生成与能力激活区分开来，沙箱生成是指外部控制防止特定的损害，能力激活是指选定的分支跨越不可逆操作边界。渐进式风险归属 (PRV) 将轨迹级风险预算托管并在分支机构激活时记入借方。我们证明了自适应生成的树木随时都会受到伤害。分支结果可能是相关的，但每个本地证书需要在完整的预激活历史记录（包括用于选择请求的信息）的条件下保持有效。当激活门、分支费用和计算约束保持固定时，延迟兑现将保留不可撤销的生成费用下可用的每项策略。分支选择后，边际风险估计仍然可能失败。在程式化分支模型中，当权威再现数 $\mathcal{R}_A$ 越过 1 时，轨迹危害会发生变化。当局部风险 $p$ 接近零时，轨迹危害与低于临界值的 $p$ 成正比，与临界值的 $\sqrt{p}$ 成正比，并在其之上保留正下限。有限型占用模型会产生风险并计算影子价格。对于每单位风险边际价值递减的嵌套扇出模式，这些价格产生阈值规则。分支计算和分割样本实验说明了结果。这些综合研究并未评估已部署药物的安全性。分析提出了一个设计规则：在沙箱中广泛搜索并谨慎授予递归权限，并明确风险费用。