在LLM工具代理的运行时，准入门通常被实现为过滤器。ReAct 循环中，被拒的提案会在同一状态下重新提出，这使得门本身成为对提案流的搜索操作，其准入标准决定了哪些轨迹可以到达。本文关注违规后恢复的准入问题，即在系统仍处于违规状态时必须允许进展，并指出了标量投影陷阱：聚合得分门会接受局部改进的提案，却把轨迹锁定在平台上。SiLR 通过对每个提案进行影子执行，并在分支级违规状态（包括分支负载支持和每分支严重程度）的乘积序上进行准入。我们证明不存在标量代理能够正确表示该序，失败是表示层面的，而非阈值调节的问题。实验在 Gym‑ANM 场景中进行，SiLR 在 21/21 的多动作回合中成功恢复，而终止门为 0/21，最佳标量门为 9/21，且在全部 24 个场景基准上均表现显著。该终止‑结构二分在三类模型和 CityLearn 中均成立。由于准入依赖确定性仿真，LLM 位于信任边界之外：一种幅度再分配攻击能够击败标量和仅支持的基线，只有完整的每分支谓词能够遏制。激活两类约束时，所有标量投影都允许物理不安全的动作；仅支持的方式导致最高比例的违规（63.2% 的 42,410 条），而乘积序为 0。在最困难的双约束轨迹中，标量门只能通过不安全类别恢复。将 SiLR 重新用作 GRPO 过程奖励时，它在所有挖掘场景中均优于计数投影，并且是唯一一个在未加门的策略上超过未训练基线的奖励（0.844 对 0.778）。标量投影在两个设计点上都失去了违规几何信息，只有完整的乘积序在结构上是充分的。
点评