一分钟读论文：《追踪错误生命周期以识别长程Agent轨迹中的关键失败》
内容提要
清华大学与腾讯混元合作提出TrajDebug方法，将关键错误检测分为多粒度历史压缩、错误触发检测和因果归因三阶段，解决长程轨迹中定位关键失败步骤的难题。该方法在诊断驱动的Agent改进中成功率提升10.80%，失败记忆迁移提升5.70%，优于现有基线。
延伸解读
关键错误不等于首个错误
论文指出，长程轨迹中平均包含7.62个局部错误，但只有1个是关键错误，且61.9%的局部错误会被后续修复。这意味着简单依赖“最早出现”或“最明显”的错误来定位失败原因并不可靠。TrajDebug通过区分错误状态（如已解决、活跃）和因果归因，帮助开发者避免被表面错误误导，聚焦真正导致最终失败的步骤。
三阶段流程的实践意义
TrajDebug将关键错误检测分解为多粒度历史压缩、错误触发检测和因果归因三个阶段。这种设计不仅压缩了长轨迹的上下文，还通过逐字证据条件减少幻觉诊断。对于开发者而言，这种结构化方法可复用到不同Agent系统，提升调试效率，尤其适用于轨迹长达数百步的复杂任务。
诊断结果的可迁移性
实验显示，将失败轨迹的诊断转化为针对性引导后，同一任务成功率提升10.80%；而将历史失败诊断聚合为失败记忆并迁移到新任务，成功率提升5.70%。这表明错误诊断不仅有助于修复当前问题，还能沉淀为可复用的经验，提升Agent在未见任务上的表现，具有实际应用价值。
Q&A
TrajDebug方法的核心目标是什么？
TrajDebug的核心目标是在长程Agent轨迹中自动定位导致最终失败的关键错误步骤，帮助开发者更高效地诊断和改进智能体系统。
TrajDebug将关键错误检测分解为哪三个阶段？
TrajDebug将关键错误检测分解为三个递进阶段：多粒度历史压缩、错误触发检测与状态分类、候选集引导的因果归因。
TrajDebug如何解决长轨迹中上下文压缩与证据保留的矛盾？
TrajDebug通过多粒度历史压缩为每个轨迹步骤构建高、中、低三种细节视图，按需检索最细粒度视图，在压缩远距离上下文的同时保留可验证证据。
TrajDebug中错误状态分类有哪四种？
TrajDebug将错误实例分为四种状态：Clean Resolution（已解决无印记）、Costly Resolution（已解决有预算债务）、Manifest Active（活跃有不可逆印记）和Latent Active（活跃无印记）。
TrajDebug在实验中取得了哪些具体成果？
TrajDebug在诊断驱动的Agent改进中成功率提升10.80%，失败记忆迁移提升5.70%，优于现有基线。
TrajErrBench基准测试包含哪些内容？
TrajErrBench包含486条手动标注的失败轨迹，其中400条来自工具使用场景（平均29.3步），86条来自编码场景（平均119.7步），由三名标注员独立标注，多数投票作为标准答案。
长程轨迹中定位关键错误步骤的主要困难是什么？
主要困难包括：长轨迹中个体错误的识别需要追溯到遥远的任务指令和环境反馈；失败轨迹中通常存在多个局部错误，有些被修复或无害，只有部分真正导致最终失败，且关键错误不一定是第一个出现的局部错误。
