感知底层环境的 AI 代理：将执行上下文作为一等输入

自主 AI 代理越来越多地在这样一种环境中选择行动：其内存、执行时间、运行时、计算和操作约束决定了什么才算合适的计划。我们将代理规划状态中缺少这种执行上下文称为 substrate blindness。我们通过数值代码生成来检验这一一般性命题，因为在该任务中，所选实现选项及其运行后果可以直接观察。三种前沿模型配置——Anthropic Claude Opus 5、OpenAI GPT-5.6-Sol 和 Google Gemini 3.7 Flash——针对一个高维成对欧氏距离任务生成代码，输入要么只有任务本身，要么再附加一个 128 MB RAM 和 10.0 s 墙钟时间约束。披露约束使 14 组可执行、索引对齐的“仅任务”与“披露约束”比较中有 13 组的测得进程峰值内存降低；在所有三个队列中，平均墙钟时间也降低，使执行速度最高提升 3.1 倍。在整个审计语料中，披露约束带来了结构性代码变化，包括有界分块、保留 float32、上三角遍历，以及原地或内存映射缓冲区。在更严格的 96 MB 约束下，独立抽样的披露约束队列在正确且未超预算的结果上，Claude Opus 5 为 4/5，GPT-5.6-Sol 为 5/5，Gemini 3.7 Flash 为 3/5；而仅任务条件下分别为 0/5、1/5 和 0/5。各队列的平均 MaxRSS 和墙钟时间分别比仅任务参考低 49–74% 和 35–64%。这些结果为感知底层环境的代理规划提供了一个受控的概念验证：最小执行约束会在生成程序中诱发主动的结构适配，将计算从无约束分配转移开来，并在执行前显著改善观测到的资源—时间特征。