评估工具代理故障检测与恢复

基于论文摘要，研究人员在函数调用基准中注入四类故障，对六个模型、三类模型家族共1,920次多步任务试验进行检测、计划调整和恢复分析。Agent在显式错误下有91.3%的试验将其视为问题，但对格式正常的错误值仅有58.8%，无误时仍有26.8%报告问题；推理模型相较指令模型更少察觉错误但更常调整计划，恢复率未显著变化。故障后同一工具连续重复调用最高达22.2%，而要求检查结果的提示未改善检测。

摘自 arXiv · cs.AI

还没有足够的连续观测数据，暂不绘制趋势。