AI 摘要 · 由英文经 AI 翻译

Repair or Resample? Rethinking Failure Debugging in LLM Multi-Agent Systems

Zhongwen Luan, Xiaoyu Zhang, Ming Hu, Yue Yang, Jiongchi Yu, Xiaohong Chen

arXiv:2608.25920v1cs.AIcs.SE

TL;DR

重新运行 LLM 多智能体系统可能获得成功的执行结果,却不能证明原始失败已被纠正。本文结合 SymTrace 的受控回放与 SymFail 的标注失败轨迹,评估不同系统中的失败复现与修复效果。一次 Suspicious-Node Intervention 可修复 20.15% 的失败案例,而三次任务级重新生成尝试内最多仅能修复 6.90%;前者在全部三个系统中均表现最佳。

  • 问题

    尽管失败修复对可靠性至关重要,但重新运行 MAS 究竟能纠正已记录的失败,还是仅凭随机性获得成功,仍不明确。

    出处:§1 · p. 1, §7 · p. 9
  • 方法

    本研究结合 SymTrace 对已记录干预前执行历史的受控回放与 SymFail 的人工标注失败轨迹,评估不同系统中的失败复现与修复效果。

    出处:§1 · p. 2
  • 结果

    一次 Suspicious-Node Intervention 修复了 20.15% 的失败案例,而三次任务级重新生成尝试内最多仅修复 6.90%;前者在全部三个 MAS 中均表现最佳。

    出处:§1 · p. 2
  • 启示与局限

    仅成功完成任务并不能证明原始失败机制已被纠正,因此修复评估应明确考察失败机制是否得到纠正。

    出处:§7 · p. 9

    SymFail 中源自基准测试的任务无法涵盖已部署 MAS 中的所有失败类型。

    出处:§6 · p. 9

Abstract

from arXiv · show

As large language model (LLM)-based multi-agent systems (MASs) are increasingly applied to long-horizon complex tasks, their reliability has emerged as the core bottleneck hindering their real-world deployment. Existing MAS debugging and repair methods typically rely on rerunning and resampling the entire execution trajectory. However, a fundamental question remains to be answered: do these methods causally repair MAS failures or merely stochastically repair by leveraging the randomness of LLM sampling? To evaluate the effectiveness of MAS repair methods, we introduce SymTrace, a controlled evaluation framework that records the MAS execution trajectory and establishes intervention anchors. During replay, it effectively reconstructs the execution before the anchor using recorded logs and only regenerates the downstream trajectory, thereby enabling the reliable reproduction of MAS failures. We further construct the dataset SymFail, comprising 536 human-annotated failure trajectories with graph-linked locations, categories, and trace evidence. Based on these foundations, we conduct a large-scale empirical study across three mainstream MAS frameworks. Our findings reveal that existing unguided rerun methods are highly unreliable, exhibiting low failure reproduction and repair rates (only 67.97% and 6.90%, respectively). Building upon these findings, we further explore the effectiveness of a symptom-driven intervention method, which successfully repairs 20.15% of the failed cases (a 191.89% improvement to state-of-the-art repair methods). This study aims to provide actionable insights for MAS debugging and repair research, paving the way for the robust deployment of multi-agent systems.

1 引言

可靠的 MAS 调试必须区分:成功究竟源于对已记录故障的修正,还是随机重采样。本文引入受控回放和人工标注的故障证据,发现局部干预优于任务级重新生成。

1 引言

  • 完整重跑会对上游决策重新采样,干扰修复归因;任务级判定和自动分类则可能遗漏轨迹中需要干预的局部行为。引例展示了初步诊断与专家诊断之间的分歧,以及随机重跑中故障类型的变化。因此,结果发生变化并不能证明已记录的故障得到了修正。出处:§1 · pp. 1–2
  • SymTrace 通过回放已记录的结果,固定可观测的干预前历史,使下游变化可归因于干预,而非上游重采样。它将模型和工具交互记录为事件依赖图及实际执行顺序。回放时重启原生 MAS,严格匹配拦截的请求并注入已记录的结果,直至在干预边界恢复实时执行。出处:§1 · p. 2
  • SymFail 由 536 个经评估者确认的故障构成,人工标注将故障节点、症状类别、支持证据及基于证据的最终标注关联起来。这些故障来自三个 MAS 在 200 个 WebArena-Verified Hard 和 AssistantBench 任务上生成的 600 条轨迹 (Zhou et al., 2024)。作者公开了 SymTrace、SymFail 及实验结果。出处:§1 · p. 2
  • Suspicious-Node Intervention 仅用一次干预即可修复 20.15% 的故障,而三次任务级重新生成尝试最多修复 6.90%——前者是最强任务级基线的 2.92×。该症状驱动方法定位可回放的锚点,并依据证据实施修复。它在全部三个 MAS 上均表现最佳。出处:§1 · p. 2
  • SymTrace 将单次执行的故障复现率从 67.97% 提升至 80.78%;三次执行均能复现故障的比例从 41.42% 提升至 52.43%。研究在 536 个故障上评估了任务级修复和节点级对照设置。出处:§1 · p. 2

2 背景与相关工作

理解多智能体系统的失败,必须考察具有依赖结构的执行轨迹,而非仅看最终输出。SymTrace 使这些轨迹可回放,并控制干预前的执行过程,以区分定向修复与随机重采样。

2.1 基于 LLM 的多智能体系统

  • AG2 (Wu et al., 2023)、CrewAI (CrewAI, Inc., 2026) 和 Magentic-One (Fourney et al., 2024) 分别代表以对话为中心、基于工作流和以编排器为中心的协调方式。智能体被赋予角色、指令、上下文和工具;协调机制决定任务如何分解、接下来由哪个智能体行动,以及中间状态如何传递。出处:§2.1 · p. 2
  • MAS 调试必须考察失败如何在具有依赖结构的执行轨迹中产生和传播,因为先前的决策会影响后续消息、动作和观测。因此,仅凭最终输出不足以进行调试和修复。出处:§2.1 · p. 3

2.2 MAS 调试与修复

  • SymTrace 将模型与工具的交互、依赖关系、执行顺序及实际结果保存为可回放记录,以支持可验证的执行重建。现有调试研究支持识别失败类型、责任组件和错误位置,但主要将轨迹用于事后分析。出处:§2.2 · p. 3
  • SymTrace 重建有证据支持的干预点之前的执行过程,以区分定向修复与仅靠随机重采样避开失败的成功重跑。现有修复方法通常重新生成失败行为,但以最终成功与否为依据的评估并未始终控制修复前的执行过程。出处:§2.2 · p. 3

3 系统设计

SymTrace 记录 MAS 的原生执行过程,重建经验证的执行前缀,并在施加干预后恢复实时执行。回放保留目标位置之前所表征的历史,同时允许后续轨迹发生偏离。

3.1 快照模式

  • 边界日志记录通过各框架专用的钩子捕获实际发生的模型请求—响应对和工具调用—观测对,不改变原生调度、智能体逻辑或状态更新。请求仍发送至实时端点;有序记录保留请求、结果及事件位置,保存非确定性的边界值以供回放。出处:§3.1 · p. 3
  • 轨迹构建将数据依赖、控制依赖与观测到的事件顺序分别记录,回放包则封装执行记录、结构、任务及运行时配置。工作流的重复迭代保留为不同的事件实例;由于依赖图可能允许多种有效调度,还需存储观测到的顺序。回放包为回放模式提供已记录的轨迹。出处:§3.1 · p. 3

3 系统设计

  • SymTrace 将快照模式下的轨迹记录与回放模式下由干预驱动的选择性回放分离。输入包括任务、所表征的初始状态、运行时配置,以及实际发生的模型和工具交互。出处:§3 · p. 3, Figure 2 · p. 4

3.2 回放模式

  • 回放模式重启 MAS,仅在事件位置与规范化后的请求内容均匹配时注入历史边界结果;不匹配则终止回放。重建遵循已记录的依赖图和观测顺序,并通过内容哈希校验复用的前缀节点。出处:§3.2 · p. 4
  • 仅当原生转移在给定已记录边界值时具有确定性,且相关外部状态已重置、隔离或恢复时,回放才保证所表征的前缀历史一致。到达目标位置后,实时恢复步骤施加干预,恢复实时模型与工具调用,不改变原生调度或状态更新。后缀可能偏离;无法访问的框架内部状态不必一致。出处:§3.2 · p. 4

4 数据集构建

SymFail 包含 536 条经评估者确认的失败轨迹,配有结构化执行轨迹、事件图、定位到的失败节点和多标签标注。构建流程包括确定性任务筛选、在三个 MAS 框架上执行任务,以及独立标注后的仲裁。

4 数据集构建

  • SymFail 由 536 条经评估者确认的失败轨迹构成,将结构化执行轨迹和事件图与定位到的失败节点及多标签标注关联起来。发布内容包括任务清单、相互关联的轨迹与图、初始及最终标注、标注理由和支持证据。出处:§4 · p. 4, §4.3 · p. 5

4.1 候选任务筛选

  • 在执行或修复前固定了 200 项任务:按发布顺序选取的前 167 项 WebArena-Verified Hard 任务,以及全部 33 项符合条件的 AssistantBench 开发集任务。候选集包含 258 项 WebArena-Verified Hard 任务,以及 33 项具备任务描述、参考答案和标准 URL 的 AssistantBench 任务。筛选面向结果可由外部验证的多步网页任务,最终任务池包含 33 项网页问答、70 项修改、25 项导航和 72 项检索任务。出处:§4.1 · p. 5

4.2 轨迹收集

  • 在 AG2 (Wu et al., 2023)、CrewAI (CrewAI, Inc., 2026) 和 Magentic-One (Fourney et al., 2024) 上共执行 600 次,最终保留 536 次失败执行。每项任务在每个框架上执行一次;标注前排除 64 次执行,剩余 462 次 WebArena-Verified 失败和 74 次 AssistantBench 失败。保留的轨迹包含 171 次 AG2、184 次 CrewAI 和 181 次 Magentic-One 执行。出处:§4.2 · p. 5

4.3 失败标注

  • 将 Multi-Agent System Failure Taxonomy (Cemri et al., 2025) 中三个大类下的 14 种失败模式中的常见模式归并为四类,各类可重叠且可从轨迹中观察到。所选类别保留了原分析中归并后最常见的四种模式。出处:§4.3 · p. 5
  • 三名标注者独立标注所有适用类别、一个主要类别,以及有轨迹证据支持的最早可干预节点;第四人负责仲裁,而非采用多数投票或标签并集。四人均具有软件工程背景,并通过带参考标签的示例、练习轨迹和统一指南进行校准。仲裁者审阅任务、完整轨迹、事件图、证据、标注理由及初始标注,并有权修改任何判定。出处:§4.3 · p. 5
  • 主要类别和失败节点类型的 Fleiss’ κ 分别为 0.62 和 0.81;三名独立标注者对具体节点完全一致的比例为 73.88%,至少两人一致的比例为 95.90%。536 条轨迹中,113 条(21.08%)经仲裁后的类别集合与初始标签并集不同。全部 2,144 次初始及最终节点选择均存在于对应的原始图中,且与记录的节点类型一致。出处:§4.3 · p. 5

5 实验研究

在 536 个原始失败案例中,重建已记录的执行前缀可提高失败复现率,而任务级反馈相比无引导重跑并无稳定优势。Suspicious-Node Intervention 仅需一次症状引导的干预,便取得最好的修复效果,无需进行三次完整尝试。

5.1 实验设置

  • 600 次运行产生了 536 个原始失败案例,涵盖三个 MAS 框架上的 200 个固定任务;评估集在回放和修复前即已冻结。所有实验条件均使用 deepseek-v4-flash (Xu et al., 2026),温度设为 0.00;任务级方法最多尝试三次,节点级方法则仅干预一次。失败复现指标衡量所选执行是否全部复现原始失败,pass@k 则衡量 k 次尝试内是否至少有一次修复通过评估器验收。出处:§5.1 · pp. 5–6

5.2 RQ1:MAS 失败能否可靠复现?

  • SymTrace 的前缀精确一致率达 100.00%,在全部三个 MAS 上的失败复现表现均优于完整重跑,且复用前缀越长,收益越大。多数案例——536 个中的 381 个 (71.08%)——仅复用 2–3 个节点,rep1 和 rep3 分别提高 9.80 和 6.82 个百分点。复用 4–8 个节点时,增益分别升至 17.76 和 18.69 个百分点;复用至少九个节点时,分别达到 25.69 和 27.08 个百分点。出处:Table 2 · p. 6, §5.2 · p. 6
  • 精确重建前缀并不保证复现完全相同的失败,因为目标节点及后续节点仍受实时模型与工具的变化影响。相同前缀可能产生不同的无依据答案,也可能遇到已变化的 API 响应。仅保持相同高层失败类别的执行,不计为成功复现该具体失败案例。出处:§5.2 · pp. 6–7
  • 估计的已确认分歧比例为 3.30%,不确定比例为 3.67%,两者合计得到复现判定的敏感性上界 6.96%。对 72 次判定的分层审查发现,64 次一致、五次确认存在分歧、三次不确定。五次已确认分歧均为假阴性,即将真实复现误判为不同的失败。出处:§5.2 · p. 7

5.3 RQ2:任务级重新执行能否可靠修复失败的 MAS 执行?

  • 在每个 MAS 上,Unguided Full Rerun 都是表现最好的任务级基线;反思和评议对特定失败类别均未呈现系统性优势。Self-Reflection 提供失败输出供模型自我诊断 (Madaan et al., 2023; Shinn et al., 2023),Critic-Agent 则使用独立智能体给出的纠正性评议 (Gou et al., 2024)。出处:§5.1 · pp. 5–6, Table 3 · p. 7, §5.3 · p. 7
  • 对最初成功的执行进行 162 次重跑,其中 85 次失败;54 个原始案例中有 39 个至少一次由成功转为失败,表明执行结果存在双向不稳定性。一个 CrewAI 案例在未获取原始失败中缺失的观测信息时,也生成了通过评估器验收的答案。因此,仅凭重新执行通过验收,并不能证明原始的具体失败已被修复。出处:§5.3 · pp. 7–8

5.4 RQ3:节点级症状信号能否用于定向修复?

  • Suspicious-Node Intervention 结合基于症状的锚点选择与按类别制定的修复指令,评估的是两者的联合效果,而非各自的独立贡献。确定性规则与语义判别器检查已完成节点是否存在 C1–C4 症状;可疑程度超过阈值时暂停执行。随后,SymTrace 重建此前的执行前缀,施加修复指令,再恢复实时执行。出处:§5.4 · p. 8
  • Suspicious-Node Intervention 仅用一次干预,就在全部三个 MAS 上取得最佳表现,总体修复率达到最强任务级基线的近三倍。在相同的选择性回放预算下,它显著优于 Random-Node Intervention 和 Last-Node Intervention,而任务级基线最多可进行三次完整尝试。各 MAS 内分别进行 Holm 校正后,它相对 Unguided Full Rerun 的优势在每个 MAS 上均显著。出处:Table 4 · p. 8, §5.4 · p. 8

6 讨论

本研究的局限包括:基准所能覆盖的故障有限、基于 LLM 的故障复现判定存在误差,以及结论能否推广到单一模型设置之外尚不确定。

数据覆盖范围

  • SymFail 所用的基准支持外部验证,能提供可复现且结果经验证的故障,但无法覆盖实际部署中的 MAS 故障的所有类型。未来工作应收集真实场景中的故障轨迹,并覆盖更多 MAS 结构、交互模式和任务领域。出处:§6 · p. 9

自动化评估

  • LLM 评判器支持大规模故障复现评估,但面对长轨迹、含糊的证据或语义相近的故障位置时,偶尔会误判。评判器将生成的故障位置和类别与参考标注进行对照;人工抽查发现其中偶有误判。建议的改进措施包括:由专家复核存在分歧及低置信度的样本、采用人机协同标注,以及报告人工与 LLM 的判定一致性。出处:§6 · p. 9

模型覆盖范围

  • 使用同一模型别名和生成配置可控制配对比较中的变量,但研究结论未必能推广到其他模型系列、服务商、规模或版本。这一设置避免了模型能力或版本差异对架构及修复策略比较的干扰。应在更广泛的模型上开展评估,检验故障复现与修复的规律是否一致。出处:§6 · p. 9

7 结论 … B.2 标注规则

失败的同一性取决于执行历史,因此重新生成的轨迹取得成功,并不能证明记录中的失败机制已被纠正。SymTrace 保留并验证记录所表征的干预前历史,而 SymFail 标注识别的是可干预的症状,而非唯一根因。

7 结论

  • 可靠的修复评估必须保留干预前历史、限定预期改动的位置,并评估失败机制是否得到纠正,而不能只看最终是否成功。本研究结合 SymTrace、人工标注的 SymFail 和跨系统评估,区分对记录中失败的纠正与随机成功。定位到的症状无需唯一确定根因,也能指导有效干预。出处:§7 · p. 9

A.1 观测到的执行顺序

  • 依赖图仅规定偏序,因此 SymTrace 记录实际观测到的执行顺序;回放使用该顺序进行匹配和验证,但不控制原生调度。记录的顺序是执行过程中实际观测到的一个特定线性扩展,确定的是影响状态的操作何时跨越插桩边界,而非事后施加的拓扑排序。出处:§A.1 · p. 12

A.2 边界匹配与记录验证

  • 选择性回放在首次边界不匹配时终止;若始终匹配,则保留记录的执行前缀,并从指定干预点开始有意偏离原轨迹。匹配先检查事件位置和规范化后的请求内容,再通过内容哈希验证已物化的前缀节点。修复指导先被加入指定的 LLM 请求,随后目标及其下游流程实际运行。出处:§A.2 · p. 12

A.3 回放条件与范围

  • 在配置固定、内部状态转移满足条件确定性且所有影响状态的操作均被完整捕获的条件下,选择性回放可重建记录所表征的逻辑执行;实际调用的模型和服务无需具有确定性。保证范围涵盖记录的边界结果、智能体可见消息、所表征的逻辑状态、控制决策和事件顺序,但不要求内存地址、物理线程交错、网络延迟或实际时钟时序完全一致。出处:§A.3 · pp. 12–13

A.4 外部状态考量

  • 记录的工具响应重建的是观测结果,而非持久性外部状态变更;实际运行的后缀不得依赖未被重现的前缀写入。所需外部状态必须满足以下条件之一:并非必需、可通过服务检查点恢复,或可在环境重置后通过安全地重新执行来重建。全部 536 次失败均未经过外部状态筛选便纳入评估;未恢复的外部状态引起的变化不在回放保证范围内。出处:§A.4 · p. 13

B.1 样本统计

  • 600 次初始任务–MAS 执行中的 536 次失败被纳入 SymFail;评估器判定通过的 64 次执行在标注前被排除。三个 MAS 在 200 个固定任务上运行;失败案例包括 462 个 WebArena-Verified 案例和 74 个 AssistantBench 案例,按系统分为 171 次 AG2、184 次 CrewAI 和 181 次 Magentic-One 执行。出处:§B.1 · p. 13

B.2 标注规则

  • 标注涵盖所有有轨迹证据支持的 C1–C4 症状,并指定一个主要干预信号,不设类别优先级,也不将该信号视为唯一根因。各类别可重叠,分别为 C1 违反任务约束、C2 进展重复或停滞、C3 未解决的运行时状况,以及 C4 计划–行动–结果不一致。C3 在来源类别的基础上扩展,涵盖执行或上下文失败;数据集构成统计使用完整的类别集合。出处:§B.2 · p. 13
  • 标注者选择与评估器确认的失败相关联、最早可干预且有轨迹证据支持的节点;置信度记录证据的明确程度,不机械地影响裁定。节点类型区分智能体决策、工具调用、决定性的未处理工具结果和最终回复错误;记录保留类别、主要类别、节点 ID/类型、置信度、理由和证据。C2 要求在计划已确认失败后仍重复执行,不包括初次失败、有合理依据的重试或实质性改进;未解决但没有重复行为的依赖问题归为 C3。高/中/低置信度分别表示直接证据支持/存在合理替代解释/证据不足,而非概率或投票权重。出处:§B.2 · pp. 13–14

B.3 标注流程 … C.3 统计方法

SymFail 的 536 个案例均经过独立标注、基于证据的裁定、可靠性评估和图完整性检查。修复实验使用配对失败案例,明确尝试次数上限,记录框架与模型设置,并采用配对统计方法,但模型快照身份仍未经核实。

B.3 标注流程

  • 18.66% 的最终严格元组标注未获任何一位初始标注者的完整支持;裁定过程重新评估证据,而非简单汇总投票。三名标注者独立标注每个案例,第四名审阅执行轨迹、标注和证据,最终确定完整的类别集合、主类别、节点 ID 和节点类型。423 个案例(78.92%)的最终类别集合与初始标注的并集一致,113 个(21.08%)不一致;共新增 123 项类别标注、移除 69 项,其中包括 16 项三人一致提出的 C1 标注。出处:Table 5 · p. 14, §B.3 · p. 14

B.4 标注者间可靠性

  • 73.88% 的案例在节点选择上三人一致(95.90% 至少两人一致);完整严格元组的三人一致率为 39.18%。可靠性评估使用 536 个案例的三份初始标注,不纳入最终标签;类别判定采用 Fleiss’ κ,并进行 20,000 次案例级自助重采样,以百分位法构建 95% 区间,而各案例的节点 ID 则要求精确一致。C2 的类别可靠性最低(κ = 0.374),且在 123 项新增标注中占 86 项,表明进展重复或停滞是分类体系的主要歧义所在。出处:Table 6 · p. 14, §B.4 · pp. 14–15

B.5 最终构成与完整性检查

  • 536 个最终案例共有 1,482 项类别标注,平均每例包含 2.77 个类别;C3 是最常见的主类别(37.87%)。主类别计数为 C1 = 125(23.32%)、C2 = 69(12.87%)、C3 = 203(37.87%)和 C4 = 139(25.93%)。非互斥边际计数为 C1 = 439、C2 = 288、C3 = 289 和 C4 = 466。出处:§B.5 · p. 15
  • 2,144/2,144 次节点选择通过了图完整性验证,涵盖全部 1,608 次初始选择和 536 次最终选择。验证检查图是否存在、节点是否属于该图,以及节点类型是否一致。SymFail 涵盖两个基准来源和三个 MAS;发布内容包括关联材料、初始标注、证据及人工裁定的参考标注,而非 LLM 标注输出;更大范围的独立重新标注仍有待开展。出处:§B.5 · p. 15

C.1 修复条件与执行次数限制

  • 配对修复比较固定任务输入、MAS、模型别名、温度和评估器,仅改变修复提示中的信息、干预位置和回放方式。RQ1 每种方法执行三次;RQ2 最多允许三次完整尝试,首次成功即停止;RQ3 中,节点级方法仅进行一次选择性回放干预,任务级基线仍最多可尝试三次。只要任一允许的尝试通过评估器,即计为修复成功;由于实际 API 调用次数可能不同,还需衡量效率。出处:§C.1 · p. 15

C.2 框架与模型记录

  • 温度 0.00 和 deepseek-v4-flash 标识的是已记录的客户端请求,并不代表已核实的不可变模型快照、上游服务提供商或服务端修订版本。实验于 June 15–16, 2026 UTC 运行,使用 AG2 0.13.3、CrewAI 1.14.7a3,以及基于 AutoGen AgentChat 0.7.5 的 Magentic-One 适配器。该适配器导入 autogen_agentchat 和 autogen_ext,而非 pyautogen;可复现性不能仅归因于该别名或温度。出处:§C.2 · p. 15

C.3 统计方法

  • 95% Wilson 区间用于量化修复比例;修复率的绝对差值采用 10,000 次案例级配对自助重采样计算 95% 置信区间。差值以百分点表示,自助重采样种子为 20260701,配对方法的结果一同重采样。每项比较均报告配对分母、修复数量与修复率、差值、区间及适用的校正值;每个失败案例对每种方法最多贡献一个二元结果,内部调用和重试不作为独立样本。出处:§C.3 · pp. 15–16
  • RQ1 采用双侧精确 McNemar 检验;预先指定的每个 MAS 的 Holm 检验族在 RQ2 中包含两项比较,在 RQ3 中包含五项比较。RQ1 基于配对的 rep3 结果比较 SymTrace Replay 与 Unguided Full Rerun;RQ2 分别将 Self-Reflection 和 Critic-Agent 与 Unguided Full Rerun 比较。RQ3 将 Suspicious-Node Intervention 分别与 Unguided Full Rerun、Self-Reflection、Critic-Agent、Last-Node Intervention 和 Random-Node Intervention 比较,三个 MAS 共计 15 项检验;Holm 校正后的值记为 pH。出处:§C.3 · p. 16

C.4 配对比较结果 … D.2 复现指标

在配对修复比较和 API 调用效率方面,Suspicious-Node Intervention 始终优于任务级和节点级对照方法,而 Self-Reflection 和 Critic-Agent 相较于无引导重跑均无显著优势。复现评估区分有证据支撑的机制级等价与原始节点相同。

C.5 API 调用效率

  • Suspicious-Node 在 AG2、CrewAI 和 Magentic-One 上均取得最高的 API 调用修复效率。该方法每 1,000 次 API 调用获得的有效修复最多,每次修复所需的 API 调用最少;系统或框架错误均计为修复失败,出错前的调用仍计入统计。这些结果仅是各 MAS 内的描述性比较,而非计算量匹配的因果估计,因为轨迹长度和尝试次数预算各不相同。出处:§C.5 · p. 16

C.6 实现环境

  • 托管端点负责模型推理,本地工作站则运行 MAS 框架、工具、轨迹采集、SymTrace 回放、原生评估和统计分析。运行环境为 Windows 11 上的 Python 3.11.15,硬件包括 Intel Core i9-14900HX、32 GB 内存,以及配备 8 GB 显存的 NVIDIA GeForce RTX 4060 Laptop GPU。出处:§C.6 · p. 16

C.4 配对比较结果

  • 相较于 Unguided Full Rerun,全部六项 RQ2 修复率差值均为负,且在各 MAS 内经 Holm 校正后均不显著。在同样允许三次尝试的预算下,结果未提供证据表明 Self-Reflection 或 Critic-Agent 优于无引导重跑。出处:§C.4 · p. 16, Table 7 · p. 17
  • 全部 15 项 RQ3 比较均支持 Suspicious-Node Intervention,95% 置信区间均不包含零,且各 MAS 内经 Holm 校正后均满足 pH < 0.05。这一优势覆盖三种 MAS 架构,以及任务级和节点级两类对照方法。Suspicious-Node、Random-Node 和 Last-Node 使用 pass@1,三种任务级对照方法则使用 pass@3。出处:§C.4 · p. 16, Table 8 · p. 17

D.1 机制级故障等价

  • 机制级复现要求出现与源故障的类别、机制及语义执行角色相匹配的事件,并有可核实的支持证据。机制等价和语义角色对应并不要求原始节点相同。出处:§D.1 · p. 17

D.2 复现指标

  • 复现指标依据有证据支撑的机制匹配标准,区分单次执行复现与三次尝试全部复现。只有至少一个符合条件的事件具有可核实的证据,才将该次尝试判定为复现了源故障机制。出处:§D.2 · p. 17, §D.1 · p. 17

D.3 回放保真度审计

审计发现,全部 1,608 次回放均完整保留了前缀,排除了已记录前缀内容被修改导致故障无法完全复现的可能性。该审计基于人工裁定的目标衡量回放保真度,而非自动定位准确率。

D.3 回放保真度审计

  • 回放依据事件位置和规范化内容,将目标之前的每个模型或工具请求与有序记录逐一匹配;若请求缺失、顺序错误或内容不匹配,则终止回放。出处:§D.3 · p. 17
  • 1,608/1,608 个回放计划均准确使用了人工裁定的目标 ID,因此审计评估的是回放保真度,而非自动定位准确率。出处:§D.3 · p. 18
  • 1,608/1,608 次回放均实现了前缀完全一致,保留了父节点/边拓扑,且全部 6,159 个已实例化的复用节点的内容哈希均与源内容哈希一致。审计涵盖 536 个案例,每例尝试三次;节点内容哈希一致率为 6,159/6,159。出处:§D.3 · pp. 17–18
  • 已记录前缀的内容变动无法解释复现率低于 100.00%;其余变异可能来自目标处的重新生成、下游实时执行,或回放边界之外的外部状态。仅凭故障再次发生,无法证明回放保留了历史上下文。出处:§D.3 · pp. 17–18

E 任务级修复结果聚合 · E.1 基线输入范围与提示模板

针对 536 个原始失败案例的受控任务级对比表明,Self-Reflection 和 Critic-Agent 相比无引导重跑均无优势。附录明确了 pass@3 聚合方式、基线输入限制及提示模板。

E 任务级修复结果聚合

  • 附录保留了针对初始失败执行的正式 pass@3 聚合方式,依据各次尝试的评估器判定结果计算,尝试持续至成功或次数耗尽。任务级策略、评估集、预算及结果均在正文中定义。出处:E Task-Level Repair Aggregation · p. 18

E.1 基线输入范围与提示模板

  • 三个基线均基于来自 AG2、CrewAI 和 Magentic-One 的 536 个原始失败案例,并接收任务说明、标识符、基准数据划分以及可用的起始 URL 或工具。对于 WebArena-Verified 和 AssistantBench,共用的输出后缀要求仅返回最终答案,并简要说明所需证据。出处:§E.1 · pp. 18–19
  • 所有基线均不接收原始轨迹、事件图、失败位置、C1–C4 类别、轨迹证据、参考答案或标准答案,以及评估器信息。仅 Self-Reflection 和 Critic-Agent 额外接收原始失败执行的最终答案。出处:§E.1 · p. 18
  • Self-Reflection 和 Critic-Agent 在每次尝试中均复用原始失败答案;Critic-Agent 将固定的批评者角色提示嵌入重跑过程,不额外单独调用批评者模型。两种方法均不会用前一次恢复尝试的输出替换原始失败答案。出处:§E.1 · pp. 18–19
  • Unguided Full Rerun 从头求解,Self-Reflection 重新审视失败答案,Critic-Agent 则检查假设、证据充分性以及缺乏支持或已过时的论断。这些提示将两种设置的比较具体化:无引导重跑,以及在获得失败答案的基础上接受通用反思或批评指导。出处:§E.1 · p. 19
  • Appendix C.4 报告的任务级配对结果表明,Self-Reflection 和 Critic-Agent 相比无引导重跑均无优势。比较中保持任务输入、输出后缀、模型配置、评估器及三次尝试的预算不变。出处:§E.1 · p. 19

F 检测规则、锚点排序与干预提示词

Suspicious-Node Intervention 结合规则门控的症状检测、考虑可修复性的锚点选择,以及基于轨迹的修复指导。阈值分析在固定历史干预目标及其结果的前提下,同时报告条件修复率与覆盖率。

F.1 规则优先的症状检测

  • 规则门控检测将未触发规则的节点的可疑度设为零,仅对确定性规则触发的候选节点调用语义判别器。判别器可以否决类别,但不能引入新类别;核验过程不使用参考答案或源自评估器的信息。C1–C4 是可同时存在的操作性症状,用于确定干预优先级,而非认定唯一根因。出处:§F.1 · p. 19, Table 10 · p. 20

F.2 考虑可修复性的锚点选择

  • 锚点选择将可修复性置于局部证据和传播证据之上,优先选择可重新生成的智能体动作,并为最终结果节点赋予最低的节点类型先验。仅有传播证据或在图中位置靠后的节点会受到惩罚。置信度融合时,语义判别器置信度的权重为 0.55,结构化选择的权重为 0.45;若确认多个症状,则额外加分 +0.04。出处:§F.2 · pp. 20–21, §F.5 · p. 22
  • 首个达到融合分数阈值的合格节点会触发回放、前缀重建、针对症状的指导,以及下游轨迹的重新生成。节点按观测顺序处理,分数是用于排序的证据度量,而非经校准的概率。出处:Figure 3 · p. 20, §F.2 · p. 21

F.3 干预提示词

  • 可疑节点提示词包含目标、已确认症状和规则导出的证据;Random-Node 和 Last-Node 对照方法仅接收通用指导,不含症状或轨迹证据。修复提示词不包含语义判别器的自由形式理由、参考答案、评估器判定或源自评估器的证据。出处:§F.3 · p. 21

F.4 指标与统计流程

  • 基础设施和框架错误仍计为未修复,统计比较以案例为推断单位。统计比较遵循 Appendix C。出处:§F.4 · p. 22

F.5 阈值解读

  • θ = 0.50 时,条件修复率为 20.15%,覆盖全部 536 个案例;θ = 0.95 时,条件修复率为 24.36%,覆盖率为 14.55%。这项事后弃权分析固定历史 rank-0 目标及观测结果,既不重新排序节点,也不重新执行修复。阈值和权重均按启发式设定,并非全局最优;尚缺乏系统优化和组件级消融也是其局限。出处:§F.5 · p. 22

F.6 可疑性的语义边界

  • 运行时故障审计将节点级错误、工具结果错误和工具状态指标合并为单一的运行时故障信号。出处:§F.6 · p. 22

G 可追溯的金标准失败示例 · GOLD–C3 不完整或低信息量的操作- · H 补充材料内容

从536个经人工裁定的失败案例中,按类别分层选取并经轨迹核验的四个示例展示了不同的失败机制,而非用于估计模型准确率。补充材料包含完整的 SymTrace 源代码和 SymFail 数据集。

G 可追溯的金标准失败示例

  • 536个经人工裁定并最终确认的失败案例,包括462个 WebArena-Verified 案例和74个 AssistantBench 案例。按框架划分,AG2、CrewAI 和 Magentic-One 分别有171、184和181个案例。出处:G Traceable Gold Failure Examples · p. 22
  • C1 示例将问题未完全解决的失败定位至末端 final_result 节点:该节点返回了另一个浏览操作,而非符合条件的超市。此前两次工具调用均成功,第二次还访问了超市网站,因此证据支持回答不完整,而非访问失败。出处:G Traceable Gold Failure Examples · p. 23
  • C1 为125/536、C2 为69/536、C3 为203/536、C4 为139/536,这些案例构成四个按类别分层选取的示例的基础,而非模型准确率估计。选取覆盖所有已观察到的主要症状类别,而非只挑选有利结果。每个示例均提供不可变标识符、保留原始字段的轨迹摘录、有证据支持的故障定位,以及完整原始日志包的路径。出处:G Traceable Gold Failure Examples · pp. 22–23, Table 11 · p. 24
  • C2 示例将进展死锁定位至 tool_result_0002:坐标查询未能提供坐标后,该节点重复请求 Wikipedia 页面。HTTP 响应成功并不意味着任务取得进展:轨迹再次访问同一页面,而未推进所需的多跳路线规划任务。出处:G Traceable Gold Failure Examples · p. 25

GOLD–C3 不完整或低信息量的操作-

  • C3 示例将 tool_result_0000 中未解析的购物网站占位符识别为最早的决定性故障,导致无法访问目标应用。添加 https:// 只是将缺少协议的错误变为域名解析错误,并未修复环境绑定。原始日志包是完整的;低信息量指的是执行上下文,而非缺少来源记录。出处:GOLD–C3 Incomplete or Low-Signal Op- · p. 25
  • C4 示例揭示,agent_action_0000 的回答声称给出了具体商品及价格,却又承认仍需浏览才能获取实际数据。输出包含所要求的键,价格排序也符合要求,但没有真实的工具事件或已观察到的订单记录作为支持。问题在于,给出的答案与其承认仍需收集证据的说法相互矛盾。出处:GOLD–C3 Incomplete or Low-Signal Op- · p. 26

H 补充材料内容

Loading 2608.25920v1…