在面对困难决策时，人们常会先采取一些动作来更好地理解情境：转动物体以看到另一面、把备选方案并排放置、或改变某个条件并观察结果。这类动作本身并不直接完成任务，却能提供后续选择所需的关键证据。LLM 驱动的智能体虽然具备搜索与探索能力，但在设计时往往忽视了一个更早的问题——当前的证据是否已经准备好用于决策？
证据缺失、证据形式隐藏了重要信息，或缺乏必要的比较手段，都会导致决策受阻。认知科学将提升后续选择基础的动作称为认知行动（epistemic actions）。本文将该概念引入 LLM‑based 智能体，并将其划分为三种模式：
- 获取缺失证据：主动搜索或请求外部信息，以填补证据空白。
- 转换已有证据：对已有数据进行加工、可视化或格式化，使其更易于比较和评估。
- 探测系统以产生揭示性响应：通过提问或交互，引出系统内部隐藏的推理过程或潜在答案。
我们使用 认知支架（epistemic scaffolding） 来指代实现这些动作的接口、工具和环境，并强调其可审计性。文章主张，智能体的设计必须系统地考虑如何生成“决策就绪”的证据，而不是仅仅关注最终的决策算法本身。
点评：将认知行动引入 LLM 智能体，为提升决策可靠性提供了结构化的思路，值得在实际系统中进一步实验与验证。