根本原因归因是一个搜索问题：持续搜索长期代理故障

arXiv:2609.13463v1 公告类型：新 摘要：在长期任务中越来越多地部署人工智能代理会产生大量执行日志。诊断这些记录中的故障对于可靠性至关重要，因为它将结果级信号转化为可行的干预措施。数据的庞大规模使得人工审查变得不切实际，从而推动了对自动根本原因归因 (RCA) 的需求。然而，使用 LLM 的自动化 RCA 方法的诊断准确性较低，尤其是当执行轨迹变大时。他们之所以陷入困境，是因为相关信息往往稀疏，分布在遥远的行动中，并且与可见的失败脱节，从而减少了大规模搜索问题的根本原因。现有的 RCA 方法通常依赖于一次性 LLM 判断来从执行跟踪中诊断故障。虽然对于较短的轨迹有效，但这些法官往往会尽早做出合理的诊断，从而留下未经检查的较长轨迹中的关键证据。我们引入了持续搜索，这是一个迭代框架，可以推动法官在连续的轮次中不断寻找未解决的诊断证据。我们通过四个现有的 RCA 基准评估持续搜索。认识到当前基准测试中缺乏大量执行跟踪，我们引入了 MegaRCA-Mix 来大规模评估 RCA。 MegaRCA-Mix 提供了一个具有挑战性的测试平台，其中包含 50 项人工注释的故障试验，涵盖长期、执行繁重的任务。在多个基准套件和模型系列中，持续搜索持续提高归因性能。例如，在 MegaRCA-Mix 上，它将 GPT-5.5 的 F1 分数提高了 40% 以上，从 0.349 美元提高到 0.498 美元。更有趣的是，在同一模型系列中，较低级别的模型甚至可以超越较高级别的模型，这表明有效的搜索取代了原始模型规模。