当工具失效时：基准测试 LLM 智能体的动态重规划与异常恢复

现有基准主要在理想化路径上评估工具集成推理，忽视了现实中的工具故障。本文提出 ToolMaze 基准，用于评估智能体在工具集成推理中的动态路径发现与错误恢复能力。该基准采用二维设计：基于 DAG 的拓扑复杂度和工具扰动分类（显式/隐式、瞬时/永久）。评估显示，扰动显著降低模型性能，尤其在隐式语义故障下，因过度信任受损输出，恢复率骤降约 37%。研究发现，智能体的容错能力随模型规模增长的速度远慢于基本任务执行，表明动态重规划是未被解决的关键瓶颈。