图形用户界面（GUI）智能体正越来越多地用于在用户界面上执行自然语言指令，可用于自动化操作、辅助用户完成数字任务。然而现实中的用户并非总能提出可执行的指令，有时会因口误、误解或界面状态变化而发出实际上无法完成的要求。一个值得信赖的智能体不仅需要知道如何行动，更应知道何时不应该行动。最新arXiv论文《GUI智能体知道何时不应行动吗？实现多模态GUI智能体的冲突感知终止》正式探讨了这一问题。
为研究冲突场景下的“终止”能力，研究团队构建了名为CONFLICTGUI的基准数据集。该基准覆盖两类冲突：一类是指令内部冲突，即用户给出的自然语言指令本身包含前后矛盾的条件；另一类是指令与GUI上下文的冲突，即指令所要求的操作与当前界面元素、状态或可用功能不匹配。通过这两类测试，研究者希望系统观察GUI智能体是否具备冲突感知的终止决策能力。
在评估多个现有GUI智能体后，研究发现了一个普遍而严重的问题：执行偏向性过度遵从。那些在正常可执行任务上表现出色的智能体，在遇到冲突或不可行指令时依然倾向于继续执行，几乎没有表现出应有的“克制”。这种盲目的遵从尤其危险，因为在无人监督的自动化场景中，错误的操作可能带来不可逆的后果。
为了缓解这一问题，研究团队提出CONFLICTGUARD，一种轻量级的推理时框架。它由两个相互耦合的组件构成：其一是可行性验证协议，引导智能体在执行前先评估指令自身的逻辑是否自洽，并结合GUI侧证据判断目标操作在当前界面中是否真正可行；其二是条件性动作调节机制，当检测到冲突时，将智能体从过度遵从的执行状态引导到终止导向的行为，比如拒绝执行、停止或请求澄清。这两个组件共同作用，使智能体的可行性感知与动作生成保持一致。
研究者在五个广泛使用的GUI智能体上进行了实验。结果显示，引入CONFLICTGUARD后，这些智能体在冲突任务上的平均成功率显著提升，同时在正常GUI任务上的表现几乎不受影响。也就是说，仅仅依靠推理时的轻量干预，就能大幅增强智能体识别“不该执行”场景并主动克制的能力。这项工作为解决GUI智能体的安全性、可靠性和可信赖性问题提供了新思路，也提醒我们：真正强大的智能体，不仅要会“做”，更要懂得“不做”。