结论

清华大学与腾讯混元团队公开的预印本提出 TrajDebug，用于在长链大语言模型代理的失败轨迹中找出最早、且与最终失败相关的关键错误步骤。研究同时发布 TrajErrBench。论文为预印本：文中的性能比较和应用增益均属于作者实验结果，尚未获得同行评审或独立验证。

研究对象与方法

研究关注的不是“哪一步看起来有错”，而是区分后来被修复、没有造成后果的局部错误，与真正导致任务失败的错误。TrajDebug把诊断分为三个阶段：先用多粒度历史压缩保留局部证据并识别与指令、历史或环境反馈冲突的错误触发；再按被违反的对象聚合触发点，判断错误是否已解决、是否留下终局影响；最后只在终局相关候选中进行归因，选择关键错误步骤。

数据与评测范围

TrajErrBench包含486条人工标注的失败轨迹：400条来自 τ²-Bench 的工具使用和交互场景，86条来自 SWE-Bench Pro 的长程编码场景。论文称每条轨迹由三名标注者判断，以多数同意作为标签；两类数据的关键错误标注一致性分别为 Fleiss’ κ=0.91 和 κ=0.67。该范围说明它主要评估受控基准中的失败诊断，而非生产环境的通用可靠性。

作者报告的结果

作者称，TrajDebug在所比较的高级提示基线和既有诊断系统中取得总体最佳表现，并在较长轨迹上更稳健。两项推理时应用研究中，先诊断失败轨迹、再生成定向指导后重跑同一任务，平均成功率提升10.8%；将少量历史失败诊断汇总为可复用记忆并迁移到留出任务，平均提升5.7%。这些数值应理解为该论文实验设置内的作者报告，而不是独立复现结论。

限制与潜在意义

该工作尚不能证明在不同模型、代理框架、工具权限或真实业务流程中同样有效；基准来源也限于两套现有任务。若后续代码、数据和跨框架复现可用，这类把错误证据、修复状态和终局影响分开的诊断流程，可能帮助开发者更有针对性地分析长任务代理为何失败，而不是只依据最终得分或最后一步现象修补。