ReCast：面向 LLM 智能体系统故障归因的步骤表征学习

基于摘要分析。本文研究 LLM 智能体系统中的故障归因：早期步骤的错误可能经后续交互传播，目标是定位最早导致失败的步骤。作者提出 ReCast，将冻结 LLM 的隐藏状态转换为面向归因的步骤表征，并引入故障归因训练数据集 ReCast-2K。 机制上，作者先通过实证分析考察隐藏状态能否区分根因步骤与其他步骤，报告其可分性有限。ReCast 随后选择与归因相关的层，构建互补的 pattern 与 deviation 特征，再使用以对比目标和排序目标训练的编码器学习上下文化步骤表征。其关注点是让表征适配根因定位，而非直接将原始隐藏状态作为步骤表征；具体层选择准则、两类特征的定义、监督构造与损失形式尚未验证。 结果方面，作者报告 ReCast 在四个基准上取得最高 Hit@1；其中，在 Who&When Algorithm 和 Handcrafted 上，相对最强基线分别提升 5.65 和 9.19 个百分点。这些结果对应智能体故障归因任务，不能解读为一般推理能力或 EEG/BCI 性能提升。摘要未提供绝对分数、基线身份、数据划分及统计不确定性，实验协议、消融及统计信息尚未验证。 复现需核对 ReCast-2K 的样本构成与根因标注规则、训练与评估数据的关系、冻结 LLM 的配置，以及各基准的步骤定义和 Hit@1 计算方式。摘要提供了代码地址，但代码内容及可运行性尚未验证。该方法依赖 LLM 隐藏状态、交互步骤结构及归因训练数据；目前材料不足以建立向 EEG/BCI 迁移的明确机制路径，已有 EEG 相关工作尚未检索确认。