НОВОСТЬ · RESEARCH · #156
Continual Search: итеративный подход улучшает установление первопричин сбоев агентов на длинных горизонтах
Новая статья в arXiv (arXiv:2609.13463v1) рассматривает установление первопричин (RCA) сбоев агентов на длинных горизонтах как задачу поиска и предлагает Continual Search — итеративную схему, вынуждающую оценщика на основе LLM многократно искать невыявленные диагностические доказательства. Авторы также представляют MegaRCA-Mix, набор из 50 тестов для задач с длительными исполнениями, и показывают, что Continual Search повышает качество атрибуции (например, F1 GPT-5.5 выросла с 0.349 до 0.498).
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Новая статья в arXiv (arXiv:2609.13463v1) рассматривает установление первопричин (RCA) сбоев агентов на длинных горизонтах как задачу поиска и предлагает Continual Search — итеративную схему, вынуждающую оценщика на основе LLM многократно искать невыявленные диагностические доказательства.
- Авторы также представляют MegaRCA-Mix, набор из 50 тестов для задач с длительными исполнениями, и показывают, что Continual Search повышает качество атрибуции (например, F1 GPT-5.5 выросла с 0.349 до 0.498).
- Улучшение автоматической установки первопричин в длинных логах агентов решает практическую проблему диагностики и исправления сбоев в масштабе, а статья показывает, что итеративный поиск значительно превосходит одношаговые суждения LLM.
ПОЧЕМУ ЭТО ВАЖНО
Улучшение автоматической установки первопричин в длинных логах агентов решает практическую проблему диагностики и исправления сбоев в масштабе, а статья показывает, что итеративный поиск значительно превосходит одношаговые суждения LLM.