🤖 AI

Repair the Amplifier, Not the Symptom: Stable World-Model Correction for Agent Rollouts

本文介绍了 WM-SAR，一种世界模型修正器，它通过识别并修复导致大型智能体规划图中错误放大的特定因果子图，从而在无需进行全图重规划的计算成本的情况下实现高效的原位稳定，其性能优于传统的症状扫描方法。

原作者： Xinyuan Song, Zekun Cai

发布于 2026-07-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Xinyuan Song, Zekun Cai

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位庞大飞船（一个 AI 智能体）的舰长，正试图在复杂的星系中航行。你的飞船并不只是走直线；它在航行过程中构建了一张巨大的、分支状的地图，记录了成千上万次的停靠、工具使用和检查。这张地图被称为规划图（planning graph）。

有时，飞船会犯错。也许是选错了燃料，也许是读错了星图，又或者是忘记了某条规则。在过去，当飞子的飞船出错时，标准的修复方法是丢弃整张地图，并从头开始重新绘制整个航程。

这篇论文的作者说：“别再那样做了！”

他们认为，重新绘制整张地图是在浪费燃料（计算能力）和时间。这就像因为你在第 50 页写错了一个单词，就扔掉整本书一样。相反，你应该找到那个特定的损坏部分，并只修复那一部分。

问题在于：损坏的部分究竟在哪里？

“可见症状”的陷阱

目前大多数修复方法就像是一个只治疗发烧的医生。

场景： 飞船引擎过热（可见症状），是因为三小时前燃料管路中的一个小阀门被反向安装了（根本原因）。
旧方法： “工程化”修复方法扫描地图，看到引擎过热，然后说：“啊，引擎坏了！让我们修好引擎。”它修补了引擎。
结果： 引擎暂时冷却了，但由于那个反向安装的阀门依然存在，引擎在下一段航程中会再次过热。飞船仍然是损坏的；你只是治标不治本。

新方案：WM-SAR（“放大器”检测器）

作者提出了一种名为 WM-SAR 的新方法。WM-SAR 不再寻找看起来“最坏”的部分，而是寻找让整个系统变得不稳定的因素。

把它想象成一个麦克风离扬声器太近的音响系统。

症状： 扬声器发出刺耳的尖叫声（高误差）。
旧的修复方法： 你调低扬声器的音量。尖叫声停止了一秒，但只要你一调高音量，它又会再次尖叫，因为麦克风离得还是太近。
WM-SAR 的修复方法： 这个方法会询问：“是什么在放大噪音？”它识别出了麦克风与扬声器之间的反馈回路。它不只是调低音量，而是移动了麦克风。一旦打破了反馈回路，系统就会变得稳定，即使扬声器原本是最响的部分。

WM-SAR 如何运作（“逆向”搜索）

寻找放大器： WM-SAR 不再从头到尾扫描地图，而是从故障处进行逆向搜索。它会问：“哪一小组相互连接的步骤导致了这种错误的重复出现？”
寻找“因果子图”： 它隔离出一小段相互连接的事件链（比如反向安装的阀门和燃料泵），如果修复这一段，就能阻止错误扩大。
给 AI 发送一条简短的便条： WM-SAR 不会将整个 10,000 步的地图展示给 AI（这会让 AI 感到困惑并浪费内存），而是只将那条微小的、损坏的链条发送给 AI。
AI 进行修复： AI 查看这个清晰且专注的问题切片，找出根本原因，并将其修复。

为什么这很重要

论文在模拟智能体任务（如软件调试和网页导航）中测试了该方法。他们发现：

旧方法经常修错对象，或者必须查看整个地图才能碰巧成功。
WM-SAR 使用极少的信息（更少的“Token”或词汇）就修复了问题。
稳定性： 在 WM-SAR 修复问题后，智能体不仅能顺利完成下一步，而且能在未来的数百个步骤中保持稳定。错误不再回来。

核心结论

这篇论文的核心信息是：不要只修复症状，要修复放大器。

如果你想修复一个复杂的 AI 智能体，不要只去修补那个正在尖叫的部分。去寻找那个让整个系统尖叫的微小、隐藏的连接点，修复它，剩下的系统自然就会平静下来。这节省了时间，节省了成本，并让 AI 变得更加可靠。

技术摘要：修复放大器，而非症状

问题定义
随着智能体规划从短工具链向涉及数千个步骤的持久工作流演进，失效越来越多地发生在大型规划图中，而非孤立的预测中。在每次错误后都对整个图进行重规划在计算上是极其昂贵且低效的；它消耗了过多的上下文预算，使大语言模型（LLM）暴露在无关的症状中，并存在降低长上下文检索性能的风险。

本文解决的核心问题是世界模型修正（World-Model Correction）：即在一个失效的规划图中识别出一个最小的、连通的子图，通过修复该子图来稳定剩余系统。挑战在于如何区分可见的症状（具有高即时误差的节点）与潜在的“放大器”（在后续展开中重新放大误差的子图）。单纯扫描高误差节点或扩展局部邻域的工程方法往往会失败，因为它们只是修补了症状，却留下了因果放大路径，导致误差复发。

方法论：WM-SAR
本文提出了 WM-SAR（世界模型子图放大修复），这是一种从误差放大而非从可见症状出发进行回溯的修正器。该方法分为两个阶段运行：

基于图的区域选择（阶段 1）：
- 理论基础： 该方法基于以下观察：展开误差的增长受耦合节点-边算子的谱半径（ $\rho(B)$ ）控制。如果 $\rho(B) > 1$ ，误差会放大；如果 $\rho(B) \le 1$ ，误差会衰减。目标是找到一个子图 $R$ ，使得移除它能最小化残余谱半径 $\rho(B_{G_f \setminus R})$ 。
- 评分机制： WM-SAR 为每个节点计算一个图误差放大场（GEAF）得分，其定义为观测到的误差量级与该节点邻域的局部谱半径之积。同时，它还计算一个耦合因子（ $\kappa_v$ ）来衡量节点与边通道之间的超加性相互作用。
- 贪婪增长： 从高分种子节点开始，算法通过添加能最大化边际谱缓解度（ $\Delta\rho_{rel}$ ，即残余谱半径的减少量）的边界节点，贪婪地扩展修复区域。此过程持续进行，直到达到预算限制或无法进一步实现缓解。
- 剪枝： 移除对谱缓解没有贡献的冗余节点，以确保区域的紧凑性。
基于 LLM 的修复（阶段 2）：
一旦确定了最优子图 $R^*$ ，仅将该连通区域序列化并传递给 LLM。LLM 的任务是识别根因并生成结构化的修复决策。这与将整个失效轨迹序列化的全图方法形成对比，后者会在无关的下游症状上浪费大量 Token。

核心贡献

问题建模： 将世界模型修正重新定义为一个约束优化问题：寻找最小的连通区域以稳定残余世界模型，而非仅仅重规划整个图或修补最大的误差。
工程基准： 实现并评估了一系列强大的工程修正器（包括 Top-K、滑动窗口、k-hop 邻域和级联扫描），以建立严谨的基准。
WM-SAR 算法： 引入了一种利用 GEAF 和节点-边耦合来识别“放大器”子图的谱图方法。它提供了关于残余谱半径控制规划遗憾（planning regret）的理论证明。
实证证据： 证明了 WM-SAR 能以极小比例的 Token 使用量，实现接近全图规模的稳定性。

结果
实验在模拟规划器-执行器-验证器工作流的合成异构调用树测试平台上进行，并在受 SWE-bench、WebArena 和 AgentBench 启发的拓扑结构上进行了测试。

稳定性 vs. 症状修补： 工程修正器（如 Greedy-Point、基于窗口的方法）虽然能成功降低即时误差，但往往无法平滑长程误差曲线，因为它们留下了放大通道。WM-SAR 通过针对残余谱半径，能够平滑误差曲线，防止误差再次增长。
Token 效率： 在实现与全图 LLM 修复相当或更优的根因恢复能力时，WM-SAR 使用的 Token 显著减少（例如，在 GPT-4o-mini 实验中，约为 855 个 Token，而全图提示词需 2157+ 个 Token）。
预算敏感性： 在严格的修复预算下，WM-SAR 能以较小的区域规模（如约 8 个节点）达到高谱缓解度，而工程方法则需要大得多的区域（通常接近全图覆盖）才能达到类似的稳定性。
跨模型鲁棒性： WM-SAR 的性能优势在不同层级的 LLM（GPT-4o, GPT-4o-mini, Gemini-2.5-Flash）中均成立，表明其收益源于更好的上下文选择，而非特定模型的特性。
局限性： 该方法依赖于可观测的单节点误差信号。在黑盒归因场景（如 “Who&When” 基准测试，仅已知最终答案）中，由于无法计算 GEAF 得分，WM-SAR 的表现会下降，退化为类似于简单的汇点（sink-node）选择行为。

意义与主张
论文指出，当前智能体修复策略的主要失效模式在于修复目标（可见症状）与稳定性目标（残余放大）之间的错位。通过将重心转向“修复放大器”，WM-SAR 使智能体能够在长时程内维持稳定的世界模型，而不必承担全图重规划的高昂成本。

作者声称，这种方法为启发式扫描提供了一种原则性的替代方案，为 LLM 提供了一个更“干净”的修复目标，既保留了因果桥梁，又剔除了干扰性的下游噪声。这项工作表明，未来的智能体系统应优先识别并修复传播误差的结构化算子，而非仅仅对最明显的失效做出反应。