标签
本文提出了交互效应传播（IE-Prop）模型，通过分别学习上游智能体正确与错误时的影响，估计并传播基于大语言模型的多智能体系统中的错误风险。在三种架构和多个基准测试中，该模型的 AUROC 均稳定优于基线方法。
该论文提出"错误复现"（error reproduction）机制，指出在LLM智能体外部记忆中持久化抽象规则会循环放大错误，并提出Anti-Persistence记忆设计：仅累积轨迹与结果、按需临时合成指导，从而在多个基准上取得更高成功率与更低LLM调用成本。
# 我们在评估 AI Agent 时，算错了那道数学题 **准确率与速度从来不是唯一的风险维度。真正的分母，是错误传播的距离。** --- ## 一个被系统性忽略的指标 每当一份新的 Agent 基准测试发布，榜单上讨论的几乎总是同两件事：**准确率**和**完成时间**。这两个数字确实有用，但它们共同指向一个隐含假设——**一次失败的代价是固定的**。 这个假设在 Agent 时代已经站不住脚了。 当 Agent 只是回答一个问题时，答错的代价大致等于「重新问一遍」。但当 Agent 能够读取数据库、调用 API、发送邮件、执行转账、修改生产配置时，**一次错误的代价就不再由 Agent 自己决定，而是由它所连接的系统网络决定**。 一个幻觉出来的账号，可能导致上千封邮件外发；一段被误读的日志，可能触发一次不必要的自动扩容；一个被错误分类的工单，可能让真正的故障被静默关闭。 准确率告诉你出错的**频率**。它没有告诉你出错的**射程**。 ## 被遗漏的那个变量 我们需要把一个概念引入评估体系：**错误传播半径**（error propagation radius）。 它指的是：**在错误被检测并被拦截之前，它的影响能够扩散到多少个系统、多少条数据链路、多少次下游调用。** 同样的 99% 准确率，在两个场景下含义完全不同： - **场景 A**：Agent 在沙箱里整理文档摘要。答错了，用户看到错的摘要，重新来过。 - **场景 B**：Agent 在一个 ERP 系统里做库存同步。答错了，错误库存进入下游仓储系统，进入物流调度，进入客户对账单。 两者的准确率相同。两者的**爆炸半径**相差几个数量级。 可现有的评测基准里，几乎没有一项在测量这个变量。我们精心设计了覆盖 127 个领域的多步推理任务，却从来没有在评测报告里写上一句：「如果这一步错了，影响会传播到第几层。」 ## 为什么传播半径比准确率更值得被量化 因为它直接对应**不可逆性**和**可观测性**。 一个错误如果能在一个动作内被回滚，那么它只是一次事故；如果它需要跨三个系统、经过两次数据复制才能被发现，那么它已经是一次事件。在金融、医疗、关键基础设施等领域，这两者之间的差别，是「合规瑕疵」与「重大事故」的差别。 更重要的是，传播半径是一个**设计约束**，而不只是一个**统计结果**。一旦你开始测量它，你就不得不回答一组工程问题： - 这个动作能被撤销吗？撤销的代价是什么？ - 错误在多少个下游调用之后才会被校验拦截？ - 这条链路上有没有任何一处**人工确认**？ - 如果整条链路全部静默失败，我们多久能知道？ 这些问题的答案，比「在 MMLU 上高了 2.3 个百分点」更能决定一个 Agent 能不能被部署到高影响场景中。 ## 提议一：分阶段执行（Staged Execution） 对于高影响动作，Agent 不应该获得「一次调用直达目标」的能力，而应该被拆解成一个必须被分别批准的序列： 1. **规划阶段** —— Agent 产出完整动作计划，不产生任何副作用。 2. **模拟阶段** —— 计划在影子环境中执行，评估其影响范围与失败模式。 3. **分段执行阶段** —— 动作按影响等级分批执行，每一批次之间设检查点。 4. **验证阶段** —— 系统核对结果与预期的偏差，而非只检查「是否成功返回」。 关键原则是：**影响等级越高，阶段之间的摩擦越大。** 一个写入临时缓存的操作可以一步完成；一个影响三千个客户账户的操作，必须在每个阶段之间停下来。 这听起来会拖慢效率。是的，这正是重点。**在高影响场景中，速度本来就不应该是优化目标。** ## 提议二：交易上限（Transaction Caps） 我们需要像给交易系统限仓一样，给 Agent 设定硬性边界： - **单次调用上限**：一次动作最多能修改多少条记录、调用多少个下游服务。 - **时间窗口内累计上限**：在一个小时、一天内，Agent 在某类资源上的总影响量。 - **递增限额**：未经人工验证的操作，其额度随时间衰减，而非永久维持。 这些上限必须是**强制性的、在运行时生效的**，而不是写在提示词里的一段「请不要超过以下限制」。Agent 不会因为它「被建议不要」就越界；**它会因为越界时系统直接拒绝而越界不了。** 上限的数值应该由传播半径的测量结果来决定，而不是由工程师拍脑袋。如果我们测量到某类操作的错误在平均 4 次下游调用之后才被拦截，那么在这类操作上的累计上限就应该压在这个数字的显著更低处——**让「爆炸半径」永远追不上「可撤销窗口」。** ## 提议三：把传播距离写进评测本身 最后，也是最简单、却最被忽视的一项：**让评测直接测量传播。** 一份严肃的 Agent 评测报告，应该包含一个「影响传播」小节，至少回答： - 本次评测中，错误被**首次检测**的位置（第几步、哪个系统、多久之后）？ - 错误在被检测前，触发了多少次**下游动作**？ - 在最坏情况下，单个错误的最大传播深度是多少？ - 评测环境中的**不可逆操作**有几类？是否被计入了准确率计算？ 没有这些数字，准确率榜单只是在告诉我们谁更擅长**做对题**，而不是谁更值得被**放到生产环境里**。 ## 结语 我们正在把越来越多的系统交给 Agent，而我们衡量它们的方式，还停留在它们只负责**回答问题**的时代。 一个 agent 的可靠程度，不在于它有多不容易犯错——**没有 agent 不犯错。** 在于当它犯错时，这个世界要花多大代价来收拾残局。 **准确率衡量的是失败的频率。传播半径衡量的是失败的代价。而部署决策，应该由代价来决定。**
本文测量了AI代理如何污染其写入的存储，识别了错误传播的阈值，并使用合成和真实世界的Wikidata数据验证了发现。
本文在调用级别测量工具使用智能体的可靠性，揭示了在精确匹配评分下，错误传播参数由评分规则固定，并提出了一种基于状态的条件评分方法来解决此问题。
本文介绍了AgenticRAG-FP，一个用于智能体RAG系统中因果故障归因的干预基准，分析了故障如何在检索跳数间传播，并评估了诊断性能。
本文将多智能体LLM流水线中的幻觉传播建模为马尔可夫过程，表明错误在各个阶段变得越来越难以检测，并提出早期验证以降低存活率。
探讨多层AI代理委派对可靠性的影响，认为错误的下游影响比层数更重要。
本文形式化了时间序列预测中的“粒度悖论”，表明更细的时间解聚会改善样本内拟合，但由于递归误差传播而降低样本外精度，并在不同粒度上对多种模型进行基准测试。
本文研究了多个AI智能体之间推理交换如何提高准确性，但也带来了错误传播的风险，提出了一种运行时监控框架以防止此类传播。
引入能量守恒作为模块化神经网络中模块间信息流的硬物理约束，强制在模块边界精确保持激活能量，以减弱错误传播。在CIFAR-10和机器人管道上的实验显示出噪声鲁棒性的显著提升。
本文介绍了CHARM框架，用于检测和缓解多步骤智能体RAG流水线中的级联幻觉问题——早期阶段产生的错误会在推理步骤中不断传播并放大。CHARM在多个基准测试中实现了89.4%的级联检测率和82.1%的错误传播降低率，且延迟开销较低。
一位开发者讨论了3个Agent的SDR系统中的级联故障，其中幻觉在Agent之间传播，并寻求关于通过人类参与循环或框架切换来提高可靠性的建议。