感知运行环境的AI Agent：把执行上下文作为一等输入

自主人工智能体越来越多地在内存、执行时间、运行时间、计算和操作限制决定什么才是合适的计划的环境中选择操作。我们将智能体的规划状态基底中缺乏此执行上下文称为盲目性。我们通过数字代码生成来测试这个一般命题，其中所选择的实现选择和操作结果是可以直接观察到的。三种前沿模型配置——Anthropic Claude Opus 5、OpenAI GPT-5.6-Sol 和 Google Gemini 3.7 Flash——可以单独从任务或使用 128 MB RAM 和 10.0 s wall-time 合约生成高维成对欧几里德距离任务的代码。与合约披露的比较相比，合约披露在 14 个可执行索引对齐任务中的 13 个中减少了测量的峰值进程内存，并减少了所有三个队列的平均挂起时间，使执行速度提高了 3.1 倍。在经过审计的语料库中，披露产生了结构性代码更改，包括有界阻塞、float32 保留、上三角遍历以及就地或内存映射缓冲区。在更严格的 96 MB 合同中，独立抽样的合同披露队列在 Claude Opus 5 中达到了 4/5、GPT-5.6-Sol 为 5/5、Gemini 3.7 Flash 为 3/5，而仅任务结果为 0/5、1/5 和 0/5；队列平均 MaxRSS 和 wall time 比仅任务参考值低 49-74% 和 35-64%。这些结果为底层感知智能体规划建立了受控的概念证明：最小的执行合约在生成的程序中引入主动的结构调整，将计算从无约束的分配中转移出来，并在执行前显着改善观察到的资源时间配置文件。