arXiv cs.AI· Xinyuan Song, Zekun Cai·· 11 小时前AI 评分38
ReCore：面向长程智能体的规划图核心修复方法
Repair the Core, Not the Symptom: Planning-Graph Repair for Long-Horizon Agents
AI 导读
研究者提出 ReCore（Repair the Core），通过建模节点与边错误的耦合传播来定位失败规划图中的核心区域，只将该核心交给 LLM 诊断修复，而非修复最大可见错误或固定邻域。在合成 Agent Calling-Tree 图与 Who&When 归因基准上，ReCore 提升了长程稳定性与根因定位能力，每次成功修复的 token 消耗比全上下文恢复最多少 7.4 倍。
正文 · AI 翻译
摘要：长程语言智能体在多轮交互中做出相互依赖的决策，形成不断增长的计划图，其中后续决策依赖于先前的状态、观察和工具输出。因此，这些图中的错误会通过后续决策传播，并在长程 rollout 中不断放大。仅修正最显眼的失败可能只是治标，而驱动下游错误的核心却未改变。重放整个计划图则走向另一个极端，但随着图增长会变得愈发昂贵，并迫使 LLM 在大量无关上下文上进行推理。我们研究计划图修复：给定一次失败的 rollout，目标是识别并修正导致错误持续传播的紧凑核心，同时保留图的其余部分。我们首先评估了一系列实用的工程修复策略，包括单错误修复与 TopK 修复、时间窗口、邻域扩展、级联感知修复以及全图 LLM 修正。随后我们提出 ReCore（Repair the Core），它建模节点错误与边错误的耦合传播，以识别失败计划图的核心。ReCore 不修复观测到的最大错误，也不扩展固定的局部邻域，而是选择一个连通核心，使其修正能最大程度降低残余错误放大，并仅将该核心暴露给 LLM 进行诊断与修复。我们还从理论上建立了长程计划遗憾的界。在合成 Agent Calling-Tree 图和 Who\&When 归因基准上的大量实验表明，ReCore 通过针对高放大修复区域，提升了长程稳定性和根因定位能力，在每次成功修复时以最多 $7.4\times$ 更少的 token 达到与全上下文恢复相当的效果。
| 评论： | 审稿中 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2607.01767 [cs.AI] |
| （或 arXiv:2607.01767v3 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2607.01767 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zekun Cai [查看邮箱]
[v1]
2026年7月2日 星期四 06:31:45 UTC（8,011 KB）
[v2]
2026年7月5日 星期日 07:41:29 UTC（7,564 KB）
[v3]
2026年10月20日 星期二 02:42:27 UTC（4,700 KB）
来源：arXiv cs.AI · arxiv.org