从成功轨迹追溯智能体失败：无监督归因方法

arXiv 论文提出 OAT，一种基于神经控制微分方程的无监督失败归因方法，仅用 100 条成功轨迹训练即可在推理时识别 LLM 智能体系统的错误步骤，相比基于提示的方法速度快 200–5000 倍，F1 分数提升 20%（域内）和 7%（域外）。

此前失败归因依赖昂贵的人工标注或耗时提示流程，OAT 无需任何失败标注即可高效诊断，使调试门槛显著降低，尤其适合快速迭代的智能体产品开发。

OAT 将成功轨迹视为一类动态模式，利用神经控制微分方程在潜空间学习其演化规律；推理时对失败轨迹每一步计算偏离该动态的异常分数，分数越高越可能是错误步骤。

LLM 智能体产品的开发团队可直接用 OAT 自动定位出错环节，无需收集失败数据或人工标注步骤级错误信息，大幅节省调试成本和开发周期。

• 将 OAT 嵌入智能体开发框架，提供无监督失败归因插件，降低调试门槛。
• 在低代码智能体平台中加入一键诊断功能，自动标记可疑步骤。
• 用于强化学习训练流水线，自动筛选高质量失败轨迹作为负样本。

• OAT 在更长链、多工具调用的复杂任务上是否保持同等准确率？
• 不同领域任务是否需要重新训练或者可零样本迁移？
• 实际部署时模型规模与推理延时如何平衡？