🔥 今日值得一读
智能体绕路也能变绝招！Trace框架让AUC飙升30%，Final-3猛涨40.5%！
Success Leaves Detours: Learning Executable Walkthroughs for Long-Horizon Agents
📖 AI 总结
本文研究长时程智能体在稀疏奖励下如何从含失败、循环和绕路的轨迹中提炼可执行经验。作者指出，延迟信用只能识别与进展相关的动作，却无法判断其是否产生后续动作所需的事实。为此提出Trace框架，通过奖励与持久状态变化检测进展锚点、传播信用识别关键转移，并利用跨回合成败证据估计动作前置条件，再经反向依赖切片提取依赖一致的动作链，去除无关循环与绕路，生成包含入口条件、有序状态—动作—效果步骤及完成与失败谓词的可执行Walkthrough记忆。在J-TTL、WebShop和ScienceWorld上，Trace一致优于八种测试时学习与记忆基线，相比最强基线平均AUC和Final-3分别提升30.0%和40.5%，且推理token更少。结果表明，长时程交互更受益于状态条件下的可执行流程，而非完整轨迹或抽象摘要。
🔑 关键词速览
| 可执行演练（Executable Walkthrough） | 从轨迹中提取的紧凑、状态条件化且可验证的过程，包含进入条件、有序步骤及完成/失败谓词，可直接执行和复用。 |
| 稀疏奖励轨迹（Sparse-Reward Trajectory） | 智能体与环境交互产生的序列，其中奖励信号稀少，大部分步骤没有即时反馈，常包含失败、循环和绕路。 |
| 延迟信用分配（Delayed Credit Assignment） | 在稀疏奖励下，将最终的成功或失败归因到之前多个时间步的动作上，以识别哪些动作对进展有贡献。 |
| 反向依赖切片（Backward Dependency Slicing） | 从目标状态出发，反向追溯每个所需事实的产生动作，从而提取出依赖一致的动作链，并剔除无关步骤。 |
| 测试时自进化智能体（Test-Time Self-Evolving Agent） | 在测试阶段通过复用过去经验（如记忆或总结）来持续改进自身策略的智能体，无需额外训练。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅