AgentDebugX：面向 LLM 智能体故障可观测性、归因与恢复的开源工具包

AgentDebugX 是一个开源调试框架，面向 LLM 智能体故障的可观测性、归因与恢复。它将调试组织为检测、归因、恢复和重跑的闭环，核心是 DeepDebug 模块，通过全局轨迹理解、结构化引导调查和交叉询问进行多轮根因诊断。在 Who and When 基准上，DeepDebug 在 qwen3.5-9b 上达到 28.8% 的严格归因准确率，远超最强单次基线（21.7%）。在 GAIA 基准上，一次重跑修复了 73 个失败任务中的 13 个，而三个解耦自我纠正基线仅修复 4-6 个，整体准确率从 55.8% 提升至 63.6%。该工具支持 Python 库、CLI、Web 控制台和可安装的 agent 技能，并提供可选 Error Hub 用于共享和复用调试记忆。

此前调试工具仅重放执行轨迹，缺乏根因定位和恢复支持。AgentDebugX 首次提供闭环调试流程，在两个基准上归因和修复准确率显著提升，并将调试知识可复用化。

AgentDebugX 的 DeepDebug 通过全局轨迹理解、结构化引导调查和交叉询问实现多轮根因诊断，随后执行修复和重跑。Error Hub 支持共享脱敏的故障-诊断-修复数据包，作为调试记忆供后续任务复用，降低重复调试成本。

为 AI agent 研发提供了可集成至流水线的调试工具（Python 库、CLI、Web 控制台、agent 技能），能显著减少手动排查时间。Error Hub 可积累组织级调试知识，提升 agent 系统迭代效率。

• 将 AgentDebugX 作为标准调试组件集成到企业 AI agent 开发平台中
• 基于 Error Hub 构建调试知识订阅服务，向多个 agent 团队提供预训练修复模式
• 在 agent 运维环节嵌入自动重跑恢复机制，降低人工介入频次

• AgentDebugX 与主流 agent 框架（如 LangChain、AutoGPT）的兼容性未在证据中说明
• Error Hub 对调试数据隐私和安全的具体保护措施未提及
• DeepDebug 在更大规模、更复杂场景下的扩展性和耗时数据未提供