迈向多智能体系统中自我改进的错误诊断

基于大语言模型的多智能体系统虽能解决复杂问题，但面临调试困难。现有方法依赖昂贵标注或“法官”模式，难以定位长上下文中的关键错误。本文提出 ErrorProbe，一种用于语义故障归因的自我改进框架。该框架通过三阶段流程：操作化故障分类以检测异常、基于症状的反向追踪剪枝、以及利用专用多智能体团队进行工具落地的假设验证。其核心在于维护仅由可执行证据确认更新的验证情景记忆，无需人工标注即可实现跨域鲁棒迁移，显著优于基线方法。