动作适合从架构、配置和使用边界三处入手判断，避免把概念和实际流程混在一起。

先看原文给出的关键信息：同一画面，两种动作：多模态 Agent 如何验证状态是否足够先看两个合成工程场景。；机械臂在两次测试中看到几乎相同的 RGB 画面：夹爪已经合拢，杯子位于指尖之间。；像素没有告诉系统的是：第二次接触力不足、杯身仍在下滑，而且上一条闭合命令尚未执行完成。。继续往下处理时，重点放在这些条件上：语音 Agent 在两段会话中都收到同一句 ASR 文本：“好的”。；第一段里，TTS 已播放完，没有待执行工具，这句话只是确认听见；第二段里，TTS 仍在播放，用户正在打断，后台还有一个等待二次确认的支付调用。。收尾检查时，再把这些细节对上：“好的”在两个场景中对应的安全动作完全不同。；这两次失败有同一个根因：系统把当前能看到的 Observation，误当成了此刻足以决定动作的 State。；验证它的最好方式，不是检查 Prompt 塞了多少上下文，而是主动构造“观测相同、隐藏条件不同”的成对场景，看系统能否发现不确定性、等待关键证据，并依据真实执行回执修正。