AI Papers Daily

#Agent Debugging

2 篇

TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories

TrajDebug：通过错误生命周期追踪定位长程Agent关键失败

🧭 Agent错误调试与关键失败定位

Tsinghua University (BNRist) · Shenzhen International Graduate School, Tsinghua University · Tencent Hunyuan

提出TrajDebug，以多粒度历史压缩和证据驱动错误识别追踪错误生命周期，定位关键失败步骤

📌 工作参考价值（4 点）

• 在电商客服或推荐Agent开发中，借鉴多粒度历史压缩，对长对话轨迹进行层次化摘要（如将交互划分为任务、子步骤），降低人工调试成本。
• 错误生命周期追踪（判断错误是被修复、无影响还是导致最终失败）帮助锁定真正关键的错误步骤，避免在多轮Agent调试中浪费时间在无关错误上。
• 证据驱动的错误识别方法可迁移至推荐系统策略校验，例如检测推荐结果是否违反库存、价格等业务规则，并定位第一个违规步骤。
• 构造内部失败轨迹数据集并持续评估，将关键错误诊断信息作为Agent自我反思或自动修复的输入，提升系统成功率。

Agent | 2026-08-06 | cs.AI | score 7/10

Agent DebuggingError LifecycleCritical Error DetectionMulti-granularity CompressionTrajectory AnalysisLLM Agents

Insights Generator: Systematic Corpus-Level Trace Diagnostics for LLM Agents

LLM Agent 大规模轨迹诊断系统 Insights Generator

🧭 Agent 多智能体诊断与优化 ★ 深度解读

Scale AI

多智能体系统通过迭代假设-验证循环，从海量执行轨迹中自动发现并量化系统性行为模式，生成有证据支撑的诊断报告

📌 工作参考价值（4 点）

• 大规模轨迹分析的工程参考：将轨迹数据预处理成结构化 Parquet，构建 schema 缓存和向量索引，Agent 只通过 Python REPL 调用统计工具而非直接读取原始文本，可大幅降低上下文消耗，适用于电商 Agent 日志的海量诊断。
• 假设-验证分离的 Agent 角色设计：Scout 负责在小样本中探索模式提出候选假设，Investigator 在全量数据上进行统计验证并计算效应量（p 值、odd ratio），这种分工可迁移至推荐系统 Agent 的 A/B 实验诊断或行为差异分析。
• 报告驱动的 scaffold 优化：人类专家使用 IG 报告后，scaffold 性能提升 30.4 pp（对比无报告基线），且报告深度与证据质量直接影响修改效率；在自动优化循环中，每轮重新生成分析报告可以避免纯 scaffold 搜索的退化。可借鉴该闭环思想，将生成式推荐或电商 Agent 的离线评估日志自动转化为 prompt 或工具链的改进建议。
• 评估框架的复用：提出的四维度评估（覆盖度、配对胜率、质量评分、人工干预提升）可作为自建 Agent 诊断系统效果的度量标准，尤其适合验证诊断报告对工程师开发效率的实际价值。

Agent | 2026-05-20 | cs.AI | score 8/10

Multi-AgentTrace DiagnosticsCorpus-Level AnalysisScaffold OptimizationAgent Debugging