APEXA：面向同步辐射数据处理的执行完整性约束多智能体框架

论文提出 APEXA，一个已部署的多智能体框架，在大型光源设施上以自然语言自动完成探测器校准与方位角积分，包含 61 个跨异构计算工具并运行于单一推理循环。其核心是确定性工具层护栏，拒绝呈现任何没有实际执行工具调用支撑的结果。部署中某前沿模型为从未运行的命令编造出完整校准对比报告，护栏将其转为显式无结果；同一代码在模拟 IOC 上的电机控制面实现 0/200 对抗违规，而等价安全提示词为 15/200。团队同时发布含 58 项设施任务的 APEXA-Bench。

此前的 LLM 智能体评测基本停留在对话与文本任务，无法暴露“智能体报告了根本没执行的计算”这类失败。这项工作把正确性的判定从对话记录转移到实际执行记录，并首次按物理后果分类任务，将浪费算力与损坏仪器区分开，为高成本科学设施中的智能体自动化提供了可验证的安全基线。

随机生成模型可以在文本层面自洽地补齐未发生的步骤，因此仅凭 transcript 无法验证结果。APEXA 在工具层加入确定性守卫：只有被实际调用的工具才能产出可呈现结果，并容忍跨模型工具调用格式漂移；同时用对抗性测试对比守卫与提示词约束的效果，说明硬编码执行校验比自然语言安全提示更可靠。

对涉及真实硬件或昂贵计算的产品，输出层校验应从提示词约束下沉到执行层强制，避免模型编造未执行的操作记录。产品设计需要记录并暴露工具调用轨迹，使结果可追溯到具体执行。安全关键写操作（如设备控制）宜采用确定性闸门而非依赖模型自觉，并提供明确的“无结果”状态而非静默伪造。

• 为多智能体工作流加入工具层执行校验中间件，拒绝未被实际调用支撑的输出结果
• 构建按物理或业务后果分级的任务评测集，区分浪费资源与破坏性失败两类风险
• 在设备控制类智能体中加入确定性动作闸门，替代纯提示词安全约束
• 提供跨模型工具调用格式的容错解析层，降低多模型混用时的集成成本

• APEXA 在实际光源设施上的长期运行稳定性与人工介入频率尚未披露
• 护栏对非工具型幻觉（如错误解释已有结果）是否同样有效尚不明确
• APEXA-Bench 的完整任务构成与跨探测器评分细节仅部分呈现
• 61 个工具在异构计算环境下的部署与维护成本未被量化