arXiv:2606.02060 | Span-Level Error Localization in Agent Trajectories | 2026
针对深度研究 Agent（Deep-Research Agents）的长轨迹错误定位问题，提出了 span 级别的错误定位方法和 TELBench 基准。
核心问题
现有评估基于最终答案判断 Agent 是否成功，但无法定位轨迹中哪些步骤导致答案不可靠。长轨迹中，早期错误可能让 Agent 陷入无效循环或级联成根本性错误。
贡献
| 贡献 | 说明 |
|---|---|
| TELBench | 1000 实例的 span 级错误识别基准，区分正常探索、失败搜索、试探性假设和无害噪声 |
| DRIFT 框架 | 以 claim 为中心的审计框架，追踪 Agent 声称与证据链条 |
| 数据集 | 2790 条真实轨迹，来自 2 个 Agent 框架、3 个基础模型、3 个基准 |
方法
- 将原始 logs 转为 semantic spans（语义片段）
- 通过 LLM 辅助专家审查标注有害错误 spans
- 构建分类器区分错误类型
相关页面
- 2604.11641_codetracer — CodeTracer：可追踪 Agent 状态
- 2605.27276_sia — SIA：Self-Improving AI 框架
- agent-continual-learning — Agent 持续学习三层框架