Interlock：让长程智能体从“局部正确”走向真正完成任务

导语

长程智能体的问题，往往不是“每一步都做错”，而是“每一步看起来都对，最后却没有完成任务”。例如，智能体可能找到了正确的资料、做出了合理决策，也修改了某个文件，但没有把这些环节连接起来，导致关键依赖未满足、最终产物缺失，或结果无法被验证。

Interlock 关注的正是这种从局部正确到整体完成之间的缺口。论文将任务合成视为一种结构化设计问题：如果任务本身没有明确表达证据、决策和结果之间的关系，后续的执行者和评估器就很容易只检查孤立要求。

核心方法：用完成图描述任务

Interlock 的核心表示是“带类型的完成图”。它不只记录任务包含哪些步骤，还明确不同元素之间的约束关系：

• 接地边（grounding edges）：把环境中公开可见的证据连接到必须做出的决策，确保决策能够由求解者实际获得的信息支持。
• 耦合超边（coupling hyperedges）：同时约束多个组件，表达那些不能拆开独立检查的联合要求。
• 实现边（realization edges）：把决策连接到所有必要的下游效果，避免智能体只完成“选择”，却没有落实到文件、状态或其他任务产物中。

随后，系统将这张图编译成三个部分：一个可以反复重置的工作区、一份提供给智能体的公开请求，以及一套用于判定完成情况的评估标准。这样，任务生成不再只是写一段自然语言指令，而是同时生成环境、要求和验证逻辑。

评估不只看答案

Interlock 还引入两类生成阶段审查。来源覆盖审查检查原始需求是否在生成过程中被保留下来；公开输入审查则确认评估标准是否确实建立在求解者能够看到的材料之上。后者尤其重要：如果评估器依赖隐藏信息，智能体即使合理完成任务，也可能因为无法获得证据而被错误判定。

执行完成后，智能体裁判会检查轨迹和产物，并运行验证脚本。只有被判断为满足全部强制要求的轨迹，才会被保留用于后续训练。论文在两个 Qwen3.6 骨干模型上使用这些已接受轨迹进行微调；摘要显示，AutomationBench 的任务通过率提升了 4.00—4.50 个百分点。提供的素材没有展开其他基准的完整结果，因此不宜据此推断方法在所有场景都同样有效。

意义与影响

Interlock 的价值在于把“任务完成”从一句模糊的结果描述，转化为可追踪的关系结构。对长程办公自动化、工具调用和状态化环境而言，这种设计有助于减少遗漏、断链和不可验证结果。它也提示了一个重要方向：提升智能体能力不一定只靠更大的模型，还可以通过更严格的任务构造、证据边界和产物验证来改善训练数据质量。

不过，完成图的设计成本、裁判可靠性以及验证脚本覆盖范围，仍会影响整个流程的可扩展性。Interlock 更像是为长程智能体建立一套“任务工程与验收协议”，而不是单独解决推理能力问题。随着智能体承担更复杂的跨应用工作，这种协议化思路可能成为评测和训练基础设施的重要组成部分。

来源：Hugging Face Daily Papers