SAFARI：通过主动调查扩展长程智能体故障归因

随着自主智能体处理日益复杂的多步任务，其执行轨迹已超出最大上下文窗口限制。现有方法因注意力稀释及上下文超限而失效。本文提出 SAFARI 框架，以工具增强的诊断循环替代线性上下文加载。该框架赋予大语言模型专用工具箱以读写轨迹片段，并结合用于跨轮推理的持久短期记忆（STM），有效解耦了诊断精度与架构上下文限制。实验表明，SAFARI 在受限预算下显著优于最先进方法，且在目标故障远超原生上下文窗口时仍保持高精度。