Beyond Global Replanning: Hierarchical Recovery for Cross-Device Agent Systems
超越全局重规划：跨设备智能体的分层恢复
🧭 多设备 Agent 分层恢复框架
Shanghai Jiao Tong University · Shanghai Innovation Institute · Southeast University · Tsinghua University
提出 H-RePlan 分层重规划框架，分离设备局部策略恢复与全局重规划，结合 HeraBench 故障注入基准，大幅提升多设备 Agent 任务完成鲁棒性并降低 token 消耗。
📌 工作参考价值
- 分层故障隔离与恢复：在电商搜索/推荐系统的多服务 Agent 编排中，可借鉴设备本地策略恢复与全局重规划分离的思路，区分 API 故障、参数错误等局部可修复错误与需要重新规划跨服务流程的全局错误，避免代价高昂的全量重试。
- 多策略执行器设计：为每个服务节点（如召回、排序、广告投放）定义可互换的执行策略（例如 API 调用、脚本回退、GUI 模拟），当一种方式失败时快速切换，提升局部自愈能力，增强整体系统的容错性。
- 故障注入测试基准：参考 HeraBench 构建方法，为推荐/搜索 Agent 工作流注入策略级（如服务超时、数据格式错误）和设备级（如节点宕机）故障，系统评估 Agent 在动态异常下的成功率与指令遵循度，指导鲁棒性优化。
- 紧凑跨层抽象通信：在全局编排器与局部执行器之间使用结构化故障信号（如错误码、策略空间状态），减少 LLM 对话轮次和 token 消耗，可用于多 Agent 协作的轻量级信息传递设计。
动机：现实跨设备任务常因动态故障失败，但现有系统只用粗粒度恢复（重试、重新分配、改全局计划），无法区分设备内可修复故障与需跨设备重规划故障，导致效率低、成本高。
方法：提出 H-RePlan 分层重规划框架，为每个设备配备多种可交替执行策略（API/CLI/GUI），将恢复划分为两层：设备本地策略恢复（探索同一设备的不同策略）和编排器级全局重规划（通过紧凑跨层故障抽象触发）。同时构建 HeraBench 基准，在 Linux 与 Android 设备间构造跨设备工作流，并注入策略级和设备级故障。
结果：H-RePlan 在任务完成率、指令遵循度和完美通过率上显著超越单策略和粗粒度基线，并使可靠端到端成功的平均 token 消耗大幅降低，证明了范围感知的分层恢复对鲁棒跨设备 Agent 的必要性。