AI智能体故障归因：把根因分析变成一个搜索问题

长任务AI智能体在实际部署中会产生海量的执行日志，一旦任务失败，如何从这些冗长的轨迹里定位到真正的根本原因，成了保障系统可靠性的关键难题。一篇新发布的arXiv论文提出了一个颇具启发性的观点：根因归因（Root-Cause Attribution, RCA）本质上是一个搜索问题，并给出了名为「Continual Search」的迭代式解决方案。

为什么长任务的故障诊断这么难

随着AI智能体被越来越多地部署到长周期（long-horizon）任务中，它们会生成规模庞大的执行记录。诊断这些记录中的失败，能够把「结果层面」的信号（比如任务失败了）转化为「可执行的干预措施」（比如具体是哪一步、哪个决策出了错）。但问题在于，数据规模之大已经让人工逐条审查变得不现实，这直接催生了对自动化RCA的需求。

论文指出，现有基于大语言模型（LLM）的自动化RCA方法存在一个明显短板：诊断准确率偏低，且随着执行轨迹变长而进一步恶化。原因在于，与故障真正相关的信息往往是稀疏的、分散在相距很远的多个动作之间，而且和表面上可见的失败现象缺乏直接关联。换句话说，找到根因就像在一堆干草里找一根针——这本质上是一个大规模的搜索问题。

一次性判断的局限

当前主流的RCA方法大多依赖「一次性」（one-shot）的LLM判断，即让模型看一遍执行轨迹然后直接给出诊断结论。这种做法在较短的轨迹上确实有效，但在长轨迹上会暴露出一个典型的认知偏差：模型倾向于过早锁定一个看似合理的诊断，然后就停下来了，导致长轨迹中许多关键证据根本没有被检查。

这一现象和人类专家的直觉一致——面对海量信息时，人也容易「先入为主」，抓住第一个说得通的解释就不再深挖。对于短轨迹这或许无伤大雅，但当证据分散在成百上千步动作中时，草率收尾就意味着漏掉真正的病灶。

这种「过早收敛」现象在认知科学中有对应的概念，称为锚定效应（Anchoring Bias）——推理者一旦接触到第一个似乎合理的解释，后续判断就会被这个「锚」拉偏，难以客观评估后续出现的反驳证据。对LLM而言，这一问题还与上下文窗口的注意力分配密切相关：在超长输入中，模型对靠前位置或表面显眼的信息天然赋予更高权重，而真正的根因往往深埋在中间某个不起眼的步骤，极易被「稀释」掉。此外，「一次性」生成的结构性缺陷在于，模型没有机会根据新发现的证据来修正早期假设，整个诊断过程缺乏反馈回路，无法像人类专家那样在「提假设→找证据→推翻/确认→再提假设」的循环中逐步收敛到真正的病因。

Continual Search：让模型持续追问

针对这一痛点，论文提出了 Continual Search 框架。它的核心思路是通过多轮迭代不断「推动」（nudge）作为裁判的LLM，让它在一次又一次的对话回合中，持续搜索那些尚未被解决的诊断证据，而不是满足于第一个合理答案。

这种设计把RCA从单次判断，重构为一个持续的、有导向的搜索过程。模型被要求不断反问自己：还有哪些证据没被检查？当前的诊断是否还有未闭合的疑点？这种机制有效对抗了「过早收敛」的问题。

实验结果：搜索能力胜过模型规模

研究团队在四个现有的RCA基准上评估了Continual Search。考虑到当前基准普遍缺乏「大规模执行轨迹」，他们还专门构建了一个新的评测集 MegaRCA-Mix——包含50个由人工标注的失败案例，专门覆盖长周期、执行密集型的任务，作为一个更具挑战性的测试平台。

结果相当亮眼：

• 在多个基准套件和不同模型家族上，Continual Search 都能稳定提升归因性能。
• 在 MegaRCA-Mix 上，它将 GPT-5.5 的 F1 分数从 0.349 提升到 0.498，增幅超过40%。
• 更有意思的是，在同一模型家族内部，低配版模型在采用 Continual Search 后甚至能超越高配版模型。

最后这一点尤其值得深思：它表明有效的搜索策略能够胜过原始的模型规模（raw model scale）。也就是说，与其单纯堆参数、上更强的模型，不如在推理流程上做文章——让模型「搜得更彻底」，可能比「模型本身更聪明」带来更大的收益。

对智能体可靠性的启示

这项研究的价值不止于一个具体方法。它把长任务智能体的故障诊断问题，清晰地重新定义为一个搜索问题，为后续研究提供了新的框架视角。随着AI智能体承担越来越复杂、越来越长的任务链，如何高效、准确地做事后归因，将直接决定这些系统能否被信任并规模化落地。

Continual Search 展示的「过程优化优于规模扩张」的思路，也呼应了近期业界对推理时计算（inference-time compute）的关注——把更多算力和迭代花在推理过程中，往往能以更低的成本换取显著的性能提升。

**推理时计算（Inference-Time Compute）**是近期AI研究的重要方向，其核心思想是：在模型参数固定的前提下，通过在推理阶段投入更多计算资源（如多轮迭代、思维链、自我验证等），来提升输出质量。OpenAI的o系列模型和Google的Gemini Thinking模式都是这一方向的代表性产品。Continual Search本质上也属于这一范畴——它不修改模型权重，而是通过多轮对话协议改变模型的「思考方式」，让同等参数规模的模型产出更深入的诊断结果。这一趋势对AI基础设施的设计有重要含义：优化推理编排逻辑（orchestration logic）与扩大模型规模同样重要，甚至在特定任务上性价比更高。