Agent伪进展检测难题，操作在变但结果始终失败，20轮调试零进展

在软件开发自动化任务中，一个AI Agent连续20多轮调用不同工具、修改不同参数、生成不同补丁，每次操作都看似合理：读取文件、编辑代码、执行测试。然而测试结果始终失败，错误数量在2与3之间反复震荡，从未归零。这种‘很努力但没用’的状态，被研究者称为‘伪进展’（Pseudo-Progress）。

图1清晰呈现了伪进展的四种常见形态：参数旋转（每次修改参数不同但均失败）、路径穷举（尝试所有分支仍全错）、工具切换（换着花样犯同一类错）、错误升级（错误从小变大但始终未解）。它们的共同特征是：操作在变化，结果始终是失败。这与传统‘死循环’有本质区别——死循环中工具调用完全重复，易被CycleDetector捕获；而伪进展因参数持续变动，绕过了现有检测机制。

以一段真实执行日志为例：

轮次31：执行测试 → 失败（3个错误）

轮次32：修改query.py（patch_v1）→ 成功

轮次33：再次测试 → 失败（2个错误）

轮次34：修改query.py（patch_v2）→ 成功

轮次35：测试 → 失败（3个错误，与31不同）

……

轮次39：测试 → 失败（2个错误，与33相同）

从单轮视角看，Agent行为完全合规：它在响应反馈、迭代修正。但从全局看，它陷入‘打地鼠’式修复——修掉错误A，错误B浮现；再修B，A又回来。20轮消耗大量计算资源与token，却离‘测试通过’的目标毫无进展。

这一现象在SWE-bench评测任务中已有实证。例如django-11734案例中，Agent在错误的环境假设下盲目重试20余轮，每次修改不同、每次测试失败。直到ErrorStreak机制在L2阶段（连续6次错误后）触发策略重置，强制其跳出当前路径、重新反思问题本质，才最终在第196轮完成任务。

伪进展之所以危险，在于其高度迷惑性。用户看到Agent‘一直在动’，容易误判为‘正在收敛’，从而延长等待时间。相比之下，死循环因明显重复而易于察觉。更隐蔽的是，某些高价值场景中，伪进展甚至表现为跨模块协作失效——如Analyzer-Verifier循环：Analyzer每次输出不同分析报告，Verifier每次给出不同改进建议，两者均无重复调用，CycleDetector完全无法干预；但Verifier连续264小时拒绝批准，实质是系统级停滞。

如图2所示，当连续错误达0–2次时视为正常波动，允许一次成功重置；3次错误触发‘提示反思’，要求Agent检查自身假设；6次错误启动‘强制反思’，暂停执行并重建计划；9次及以上则直接终止流程，交由用户决策。数据显示，该机制使约30%–40%的卡滞Agent在干预后恢复有效推进。

进一步对比‘正常调试’与‘伪进展’的边界，可发现关键判据在于：失败后是否有策略调整的迹象。

图3左侧为典型正常调试路径：3次失败后1次成功，过程中包含‘分析错误日志’‘根据结果修改’等策略跃迁动作；右侧伪进展则呈现15次失败、0次成功，所有修改均为同质化修补，无任何方向性调整。边界判定的核心不是失败次数本身，而是失败是否引发认知层面的修正。

当前主流Agent框架普遍依赖‘操作唯一性’作为终止依据，例如LangChain的CycleDetector仅检测完全相同的工具调用序列。但在真实复杂任务中，Agent极少重复完全一致的操作——它会微调参数、更换工具、变换输入格式，从而规避检测。这暴露出一个深层矛盾：现有监控逻辑基于‘行为重复性’，而伪进展的本质是‘目标偏离性’。

行业实践中，伪进展已造成显著资源浪费。某企业内部测试显示，平均每个卡滞任务消耗超4.7万token，其中82%用于无效迭代；在长周期任务中，此类问题导致端到端成功率下降近35%。更值得警惕的是，随着Agent被部署至生产环境（如自动运维、金融风控），伪进展可能引发延迟交付或错误累积，其风险远高于显性死循环。

技术演进方向正从‘防重复’转向‘察偏离’。除ErrorStreak外，新兴方案包括：引入目标距离度量（如测试通过率趋势斜率）、构建错误语义聚类（识别‘同类错误反复出现’）、结合外部验证信号（如人工抽查片段）等。部分团队开始将‘策略变更频率’纳入健康指标——若10轮内无任何计划层级调整，即标记为高风险伪进展。

值得注意的是，伪进展并非Agent能力不足的体现，反而常出现在能力较强的模型上：它能生成多样化解法，却缺乏对问题根源的因果推理。这揭示了一个关键事实：多样性不等于有效性，探索不等于进步。真正的智能体应具备‘何时停止试错、何时转向反思’的元认知能力。

目前，该问题尚未形成统一标准检测方案，各开源框架仍处于各自探索阶段。但共识正在形成：单纯依赖操作日志的静态规则已不足以保障Agent可靠性，必须引入动态目标对齐机制。未来，伪进展检测或将与‘可信AI’评估体系深度整合，成为智能体上线前的必检项。

随着Agent从实验室走向工程化落地，如何识别并阻断这种‘看似努力实则空转’的状态，已成为决定其实用价值的关键一环。