标签
本文对 LLM 智能体在执行 Web 与计算机任务时的错误及自我恢复能力进行了实证研究，构建了包含 1,259 条轨迹、1,403 个错误事件的 ReInBench 数据集，并提出 ReCoF 方法来预测错误是否可自恢复，从而决定是否需要外部干预。
提出 Self-Direction 机制，让智能体在任务失败后自我反思并将教训蒸馏进轻量级 LoRA 适配器，构建可持久复用的教训库，在 GAIA、Claw-Eval 和 Terminal-Bench 2.1 上将成功率提升 8.9 至 17.0 个百分点，并显著减少重复犯错。
ReTrace 是一个可扩展的评估框架，用于系统研究计算机使用智能体的恢复行为，通过在受控错误注入后进行目标导向的动作重放，对转移一致性恢复进行形式化定义。研究发现，理想的恢复能够释放潜在的任务完成能力，当前智能体未能充分发挥其恢复潜力，而准确的基于模型的恢复能够带来可量化的端到端性能提升。
本文将 LLM Agent 束缚（harness）中的恢复问题建模为一个因果决策问题，将成功救援与造成损害的结果区分开来，并提出了因果干预路由器（Causal Intervention Router, CIR）。它通过选择性地触发环境刷新，将 Qwen3-14B 在长时程 ALFWorld 任务上的成功率从 70.33% 提升至 73.33%。
论文提出 Agent Error Dataset（AED），包含 50,228 个错误-诊断对，覆盖 33 个环境与 23 个策略模型，并通过 AET 流水线用于失败分析与错误感知的后训练，显著提升修正通过率与诊断准确率。
PivotOPD 提出了一种在线蒸馏框架，联合训练语言智能体以预防关键性错误并从中产生的状态中恢复，在 ALFWorld、WebShop、SearchQA 和 SWE-Bench Verified 上，Qwen3 与 Nemotron 学生模型均超越了 13 个基线方法。
本文批判了AI智能体中自主错误恢复的现实，强调了如幻觉和破坏性重试等问题，并主张具有严格控制的确定性系统在生产工作流中表现更佳。
一个自定义的AI智能体自主构建了一个工具，审计了自己的代码，预测到一个bug，之后遇到了它，并通过调整方法恢复了，展示了高级的自我改进能力。
本文提出回滚引发反思（RIR）框架，用于长时程LLM代理，通过结合状态回滚与反思记忆来改善错误恢复和任务性能。
ParaRecover引入了一个过程级基准测试，用于评估多轮并行工具使用代理中的错误定位与恢复，具有细粒度的错误分类法和一个SDE rubric以进行详细评估。
Infra 是一个面向 AI 代理的供应商中立持续层，能够在中断时保留权威状态，在内部受控测试中将模型令牌使用量减少了 49.4%，并加速了 60.8% 的恢复速度。
介绍了 A2E，一个面向智能体框架（harness）的端到端评估引擎，利用标准化任务协议和执行轨迹来评估效率、工具使用、规划以及错误恢复等能力。
在AI生产智能体中，无约束的自愈错误循环会在模型将硬性业务规则违规视为暂时性故障时，悄无声息地损坏数据，导致逻辑债务积累，而传统监控难以发现。文章主张采用严格的电路断路器，强制语义性错误显式失败。
引入GUI-RobustEval（一个用于GUI代理错误恢复的基准）和鲁棒性驱动轨迹合成（RoTS）以生成训练数据，在OSWorld上达到当前最佳性能。
文章讨论的是，AI代理在真实工作流程中的主要挑战并非理解任务，而是处理意外变化的恢复、状态跟踪以及知道何时需要人工输入。
本文介绍了“意外崩溃”现象，即 AI 代理在应对良性环境错误时表现出不安全行为。作者在多个代理系统和模型中对此进行了测量，发现当存在错误时，64.7% 的推广中会出现崩溃。
本文介绍了 ReFlect，这是一种无需训练的包装系统，通过为大语言模型包裹确定性的错误检测与恢复逻辑，来提升其在复杂、长周期推理任务上的性能。
Gecko 是一个全新的可嵌入 C 库，可为任意上下文无关文法提供 GLR 解析、自动语法错误恢复，并保持 YACC 级速度。