工具超时会导致 AI 代理面临结果模糊和部分执行的局面：一次操作可能失败、已提交或仍在进行，而后续工作流步骤已经完成。我们在已批准的义务、提供者能力以及与公开证据兼容的状态之间，构建了证据引导的任务恢复框架。共享的可接受性检查同时处理密钥失效、授权时序、依赖关系和残余效应；终端证书将实际目标达成与公开支持的安全完成区分开来。已知模型的实现将标准的观测条件规划与单独实现的效果历史裁定器相结合。\n在对 37 项任务的有限实验中，规划方案和三种主动对照各认证了 28 次完成；额外计算产生了四个合成费用单元的节省。随后进行的预注册任务持出比较，评估了规划建议与基于证据的提示（使用两套本地模型）的效果。\n在 19 个已开发任务族的 58 对单元中，建议方案认证了 30 次完成，而提示方案仅为 9 次，差值为 36.2%（精确族别符号翻转 p=0.0078），使用的提案分别为 272 条和 399 条。全部 116 条轨迹通过了独立回放验证。两种模型均表现出正向的完成提升。该比较在统一防护下衡量了建议接口的表现；搜索式与规则式建议则需单独匹配比较。未知和交接结果保持显式，保证基于声明的提供者能力，而非任意第三方的恰好一次执行。\n\n点评: 该工作展示了在不确定工具行为下，利用公开证据进行任务恢复的可行性，并通过实证验证了其相较于传统提示的显著优势。