即時檢測與修復：基於微秒級遙測的LLM智能體故障自癒機制

大型语言模型智能体在复杂任务执行过程中，经常面临中途失败的严峻挑战，具体表现为陷入无限循环、工具调用错误级联扩散、偏离既定目标、生成虚构结果或 silently 吸收损坏内容。传统的补救措施通常依赖于引入第二个大型语言模型对每一步操作进行实时判决与监控，然而这种方法不仅引入了巨大的计算开销，其推理成本甚至可能超过智能体本身，且显著增加了系统延迟。针对这一痛点，本研究核心解决的问题是如何在几乎不增加额外成本的前提下，仅通过观察智能体运行时的步骤遥测数据，实现高效、实时的故障检测与自动修复。论文提出的核心贡献在于构建了一套轻量级的监控与自愈系统，该系统摒弃了对故障样本的依赖，仅利用健康运行数据进行训练，通过极低延迟的算法实时识别异常，并在检测到故障时自动触发回滚与重执行机制，从而在保持系统高可用性的同时，大幅降低了运维与计算成本，为智能体的长期稳定运行提供了新的技术路径。在技术方法层面，研究团队设计了一种基于一类回声状态网络（Echo-State Network）的集成架构，并结合累积和（CUSUM）报警机制来实现故障检测。该监控模型的核心创新在于其"无监督"的训练范式，即仅使用健康运行的遥测数据进行拟合，从而将正常行为模式作为基准，任何显著偏离该基准的遥测信号均被视为潜在故障。

为了平衡检测灵敏度与误报率，系统引入了CUSUM算法对遥测数据进行统计过程控制，设定了5%的误报预算以触发警报。此外，为了弥补统计模型可能存在的漏报，研究还增加了一个确定性验证层。该层不依赖机器学习模型，而是通过重新计算智能体声称的总结果，并逐一确认所有必需的工具调用是否实际执行，从而提供确定性的正确性检查。这种混合架构结合了统计模型的泛化能力与确定性验证的精确性，既保证了对未知故障模式的敏感度，又确保了关键步骤的绝对可靠。实验设置涵盖了三个主流智能体框架、三个本地开源模型（Qwen2.5-7B/3B、Llama3.1-8B）以及一个商业API（Gemini-2.5-Flash），总计评估了2823个已提交的智能体运行片段。关键结果显示，该监控方法在5%的误报预算下，能够检测到71%的故障，AUROC达到0.872。

消融实验表明，该方法相对于无记忆基线具有单调递增的优势，随着观测窗口延长，检测性能显著提升，在9步以上的观测中性能增益达到0.40。模型在AFTraj-2K数据集上展现了良好的泛化能力，无需重新训练即可在其他两个独立数据集（AFTraj-2K和ATBench）上保持较高的检测率。然而，研究也发现监控模型存在两个主要负担：一是部署依赖性，即每个新部署都需要重新校准健康基准，跨部署直接迁移效果不佳（AUROC从0.885降至0.527）；二是残留的误报率。相比之下，确定性验证层以零误报率捕获了60%的故障（结合覆盖率检查可达96%），且在跨模型迁移中表现完美，但在处理复杂语义错误时存在局限。从行业意义与潜在影响来看，该研究为智能体系统的工程化落地提供了极具价值的参考。首先，其每步约200微秒的处理速度比传统判决模型低三个数量级，使得实时、高频的监控成为可能，极大地降低了智能体应用的边际成本。其次，通过引入回滚与重执行机制，系统将任务成功率从52%显著提升至73%，每增加一次模型调用即可换取显著的可靠性提升，这种"检测-修复"闭环策略为构建高鲁棒性智能体提供了标准范式。最后，研究代码、追踪数据与结果的全面开源，将促进社区对智能体故障模式的深入理解，推动更高效的监控算法与自愈机制的发展，加速智能体从实验性原型向工业级可靠应用的转变。