TrajDebug 追蹤代理錯誤生命週期，失敗診斷讓重跑成功率平均提高 10.8%

清華大學與騰訊混元研究團隊提出 TrajDebug，試圖解決長時程代理最棘手的除錯問題：一次失敗執行可能包含多個局部錯誤，但最早出現、最後出現或最醒目的錯誤，都未必是導致任務失敗的關鍵原因。團隊抽查的 50 條失敗軌跡共有 381 個局部錯誤，平均每條 7.62 個；排除真正的關鍵錯誤後，61.9% 後來已被代理修正，另有 6.6% 雖未修正，卻沒有影響後續決策。

TrajDebug 先把軌跡整理成高、中、低三種細節層級：當前步驟保留原始指令、行動與觀察，較遠歷史則逐步壓縮。系統接著找出與任務規則、歷史資訊、環境回應或同一步推理互相矛盾的「錯誤承諾」，而且錯誤內容及遭違反的依據都必須能逐字定位。相關觸發點會依共同的規則或觀察合併，避免把同一錯誤在規劃、行動及驗證階段的反覆出現重複計數。

第二階段將錯誤分成乾淨修復、昂貴修復、仍具可見影響及仍存在但無終局影響四種狀態。若修復耗掉超過軌跡一半長度，便被視為留下「預算債務」；只有昂貴修復及仍具終局影響者進入最後的因果歸因。新建的 TrajErrBench 包含 400 條 τ²-Bench 客服工具軌跡與 86 條 SWE-Bench Pro 程式軌跡，後者平均長 119.7 步。三名標註者的關鍵步驟一致度，在兩部分分別達 Fleiss κ 0.91 與 0.67。

作者報告，把單次失敗的診斷轉成針對性指引後，相同任務重跑成功率平均增加 10.8%；將少量歷史診斷彙整成失敗記憶，再套用至未見任務，平均增加 5.7%。這使它可能成為代理追蹤平台的根因分析層，而不只是離線評測器。不過最終歸因仍由 LLM 判斷，改善幅度也來自作者自己的重跑設定；GitHub 儲存庫雖已有目錄與說明，程式及資料仍在內部審查，尚不能獨立重現。