ControlScope 用同一执行状态对比三种修订权限：扩大改写范围在文件系统任务上多解 2–3 题，但也会打断已可行的续写

论文把“可用的修复”与“智能体实际选择的修复”分开：Keep、Arg、Full 是嵌套权限集合，Full 包含所有更小范围的操作，因此更大集合上的损失反映的是部署的选择与执行策略，而不是权限本身。 既有工作如 GraSP 比较过类型化的局部修复与全局重规划，也有关注频繁改计划与执行一致性张力的先行研究；本文的增量是把权限范围做成嵌套操作集，并从同一公开执行状态出发记录“授予范围”与“实现范围”。 在 20 个文件系统任务、每任务两个源程序、三次推理评审抽样下，Full 完成 15–16 题而共享的 Keep 为 13 题；四次快速抽样为 10–13 题对 13 题，说明源程序与评审抽样共同决定哪些任务受益。

扩大修订范围能修复具体的程序缺陷：批量读取与解析器修复。 论文给出机制级证据而非仅总分：一个保留的批量读取替换在 94 次调用后达成目标，而原循环在 100 次调用预算内未完成，两者共享前 88 次调用；另一源程序在 28 次调用时完成，前缀为 26 次调用。 学生记录任务中 19 名被选学生经全部原始记录独立核对；解析器修复对全部 150 名学生产生正确结果；在 25/75/150 名学生的子集上两种评审模式均为 5/6、5/6、6/6，并在三个新子集与两个新源程序上重复得到 5/6、5/6、6/6。

后续评审会打断已经可行的续写，而保留首次修订的两种规则都没有带来面板级收益。 论文用冻结回放把“候选本身可行”与“它是否被允许跑完”分开：文件时间分类任务中第一个源程序 71 次实际替换有 49 次在保留到块端点或原调用预算时满足目标，第二个源程序为 62 次中的 46 次。 在 P2 自动工具快速面板与第一次 P2 推理抽样的全部替换型运行中，持续修订成功 5/10 与 9/13，只保留首次修订为 4/10 与 7/13，零配对增益、三次损失；五调用保护在 20 个新源程序上节省 19.4% 记录输出并损失一次成功。

评审时机与有效操作返回率共同决定任务成功与模型工作量，而不只是权限范围。 论文把评审调度、无效评审回退与令牌开销纳入同一评估：87 任务推理面板中 Full 比 Keep 多两个终局成功，但输出令牌为 29.7 倍；Arg/Full 分别记录 51/16 次无效评审回复并保留在得分中。 在 87 任务推理面板上初始计划成功为 79/81/85，经普通恢复后为 85/86/87；Full 使用 1,124 个动作对 Keep 的 1,336 个，普通修复调用 2 次对 17 次；同一快速协议下 134 任务队列为 134/134/127，方向相反。

这项工作面向在既有智能体循环内控制一个未完成程序的场景：每个条件都保留普通规划，ALFWorld 各条件还保留相同的普通失败恢复流程，因此比较的是对已生成程序的控制，而不是整体智能体能力。它适用于文件系统类 MCP 任务、ALFWorld 家务计划与 AppWorld 官方测试面板，并明确给出各自的执行契约、调用预算与评审配置。对设计者而言，可直接使用的结论是同时暴露数据参数编辑与工作流替换，并把评审时机与有效操作返回率纳入评估；批量读取与解析器修复这两类机制说明了更宽权限在何处产生价值。

结果对源程序与评审抽样敏感：同一任务的两个源程序可能一个受益一个不受益，四次快速抽样从少三题到持平。ALFWorld 两个固定队列方向相反，87 任务队列 Full 多两题，134 任务队列 Full 少七题，因此不能把单一队列的方向当作普遍结论。AppWorld V1 的 Full 替换会续期 250 次请求的块配额，这一额外容量有利于 Full，其观测差异混合了修订范围与容量。本地早期边界上 216 对 Arg 与 Full 终局完全相同，说明该固定边界处的配对相等不能外推到持续策略。打断证据仍是案例级：两种保留规则都没有面板级增益。此外，若干结果受服务错误与上下文上限影响，例如 12 次服务错误全部来自同一个超限上下文，排除该状态后 Arg–Full 差异仍为零。