execution-reliability

通过受治理运行时处理市场数据的实时代理实验揭示了三个意外发现：提示结构比推理质量更能决定执行可靠性；结构化输出能够影响代理的决策；将推理和提取分离为两个调用可以维持高解析成功率。这些发现表明，治理应位于执行边界，而非自由形式的推理层。

Fireworks AI 和 Notte 在运行了四个 LLM 的 720 个浏览器代理任务后，引入了 'Agent Execution Tax' 指标，发现执行可靠性——而非智能——是智能体 AI 的主要瓶颈，其中一个模型在格式错误的 JSON 上浪费了 22.9% 的推理调用。