FAMA：面向交互式工具使用环境中开源大语言模型的故障感知元代理框架

大语言模型正日益成为自主代理的决策核心，但在模拟真实客户问题解决场景的对话基准中，常因错误决策的级联效应而失败。这对参数量小、上下文窗口有限且推理预算受限的开源模型尤为严峻。为此，本文提出故障感知元代理（FAMA）框架。该框架分两阶段运行：首先分析基线代理的失败轨迹以识别常见错误；其次利用编排机制激活最小化的专用代理子集，通过在决策前注入针对性上下文来解决这些故障。实验表明，相较于标准基线，该框架在多种评估模式下性能提升高达 27%。