摘要
大型语言模型代理在多步任务中常因推理或工具使用失败。本文提出 CausalFlow，一种干预框架，将失败轨迹转化为最小反事实修复和可复用监督信号。该方法通过步骤级反事实干预计算因果责任分数，定位致败步骤并生成最小化修正，构建对比数据对。CausalFlow 支持测试时针对性修复及训练时偏好优化监督。实验表明，其在数学推理、代码生成等基准上优于启发式方法，能有效将失败转化为可靠性提升与学习资源。
AI 推荐理由
论文提出基于因果归因的自我修复框架，将失败转化为训练信号，核心在于 Agent 的自我改进与进化。
研究机构
Department of Computer Science, University of California, Davis, Davis, CA 95616
论文信息