智能体是否知道自己成功？从内部表征校准智能体置信度

随着智能体系统在安全关键应用中快速采用，衡量智能体动作相关置信度至关重要。与传统机器学习系统相比，智能体工作流具有规划、工具调用和动态环境交互带来的复杂失效模式。本文研究在多轮智能体设置中，模型内部表征是否能提供更强的最终任务成功信号。作者提出两种互补方法：潜在轨迹动态，用于总结交互轨迹中残差流表征的变化；动作表征探针，用于从动作决策时形成的表征预测成功。在三个交互基准（Bash、SQL、Python）和三个模型系列（Qwen14B、Qwen7B、DeepSeek6.7B）上，这些方法持续优于表面生成与基于序列的校准基线，提供无需修改提示、也无需多样本推演的零开销可靠性监测器。