结构基线对智能体失败检测与归因的影响

使用工具的 LLM 智能体可能静默失败：任务未完成却不报错，还能流畅作答。研究发现，失败运行更长、被标注为决定性步骤的通常是最后一步，因此"总选最后一步"的规则在此处正确率达 67% 至 96%，无需读取运行内容；但在可回放验证决定性步骤的失败上，该规则降至接近随机水平。