你的 Agent 还在全盘接受信息？这篇论文给了它一个「挑着信」的框架
做 Agent 的人多半遇到过这种场景：给模型塞一段新信息，它要么照单全收，要么直接忽略，几乎没有中间态。
纯聊天场景下问题不大。但 Agent 一旦开始自主决策——跑一个多步骤任务，中途收到来自不同源的状态更新——信息之间打架就是常态。新消息和旧信念部分冲突、部分兼容，这时候该信多少、怎么信，现有方法没给出好的答案。
前天 arXiv 上线了一篇论文：「Selective Credibility-Limited Belief Update」（选择性可信度受限信念更新），作者是 Theofanis Aravanis 和 Costas D. Koutras。标题听起来逻辑学味道很重，但核心问题恰好戳在 Agent 落地的一个真实痛点上。
问题出在「全有或全无」
现有的信念更新框架，不管是经典的 Katsuno-Mendelzon 更新，还是后来加了可信度限制的版本，都默认一条规则：一条新信息来了，你要么完整接受，要么不接受。
实际场景里这显然不够用。举个实例：你的 Agent 从两个传感器拿到冲突的定位数据，一个说「目标在 A 区，速度 5m/s」，另一个说「目标在 A 区，速度 8m/s」。位置一致、速度冲突。理想的 Agent 应该能接受一致的部分（位置），对冲突的部分（速度）做进一步核实或暂不采信。但现有方法做不到——它只能整条吞下或吐出。
这篇论文做的事，就是把「选择性接受」形式化了。核心思路不复杂：在每条新信息被吸收进信念库之前，先对原始输入做一次「软化」——转换成一个弱化版本（他们叫 proxy），再走可信度过滤。
Proxy 的机制
所谓弱化版本，就是把原来那条信息里可信度不够的部分砍掉。关键区别在于，砍的动作不是一刀切，而是对每个「源世界」（source world）独立做的。
你的 Agent 有一个当前对世界的理解模型（一套信念世界）。来了一个新信息。传统做法是在所有可能的世界里，用同一套规则去吸纳这条信息。这篇论文的做法是：对每个源世界，先把新信息转换成该世界下可信的东西，再做更新。
这听起来很理论，但落到工程上，就对应了一个很实际的需求：Agent 对不同来源的信息，应该有不同的信任门槛，而且这个门槛应该能精细到信息内部的不同成分。
论文还划了两个子类。
一个是 consistency-preserving（一致性保持型），要求软化后的信息必须和源世界保持一致——原始信息本身矛盾的，不强塞进去。另一个是 maximal consistency-preserving（最大一致保持型），更进一步要求你选的那个弱化版本，在所有可信候选中信息量最大。
后者对应了 Agent 的一个理想行为：有疑虑时不是什么都不做，而是尽可能接纳可信部分，不确定的留下来继续处理。
和现有框架的关系
这篇论文没有另起炉灶。它证明了现有的 credibility-limited update（可信度受限更新）是它框架的一个特例，而经典的 Katsuno-Mendelzon update 在去掉可信度限制、且把转换函数设为单位函数（identity）时，也被自然包含进来。
等于说它在原有理论地基上做了扩展，不是推倒重来。已经在用 KM 框架做信念管理的系统，迁移成本理论上不高。
对做 Agent 的人意味着什么
目前大部分 Agent 框架处理信息冲突时，用的都是 prompt 层的模糊策略——靠指令告诉模型「优先相信这个来源」或「检查一下有没有矛盾」。能应付简单场景，但如果在复杂环境里连续执行多步骤任务，这类策略的可靠性明显下降。
这篇论文给了一条更结构化的路：把信念更新的逻辑做成独立模块，让 Agent 处理新消息时不靠大模型的语感，而是靠一个定义清晰的更新算子来做决策。尤其是「每个源世界做独立的 proxy 转换」这个设计，天然适合多传感器、多信息来源的 Agent 系统。
当然，这还是纯理论工作。没有工程实现方案，也没有 benchmark 数据。提供的是一套框架和公理化刻画——离直接写到代码里还有距离。
但方向是对的。Agent 落地最难的不是让它动起来，而是让它知道什么时候该信什么。这篇论文至少给出了一个比「全有或全无」更值得推敲的思考起点。
相关链接
- 论文 PDF：https://arxiv.org/pdf/2607.28523
- arXiv 页面：https://arxiv.org/abs/2607.28523