把上千条智能体轨迹压成7-43个状态的FSM，预测准确率暴涨，失败提前预警！
Automata from Agent Traces: Failure and Next-Step Prediction
📖 AI 总结
该研究提出了一种将LLM智能体的多步操作轨迹压缩为紧凑有限状态机（FSM）的方法，以解决智能体行为结构不透明的问题。在12个公开数据集上，生成的FSM仅含7至43个状态，能以不低于0.997的适应度重放保留数据，且跨数据划分保持近乎一致的拓扑结构，构建耗时仅毫秒级。该结构同时服务于两个预测目标：在下一步预测中，基于FSM状态的上下文在所有匹配数据集上均优于Agent Workflow Memory基线；在失败预测中，基于状态的 behavioral 特征在保留数据上AUROC最高达0.94，在线监控器可从部分轨迹中区分失败与成功运行，实现提前终止。研究发现行为拓扑更多由部署框架而非LLM本身塑造，为安全审计和运行时监控提供了与模型无关的结构化基础。
🔑 关键词速览
| LLM-based agents | 基于大型语言模型的智能体，能够执行多步任务 |
| Finite-State Machine (FSM) | 有限状态机，一种数学模型，用于表示系统在不同状态间的转换 |
| Trace corpus | 轨迹语料库，收集智能体执行任务的记录集合 |
| Agent Workflow Memory | 智能体工作流记忆，一种用于预测下一步动作的现有方法 |
| AUROC | 受试者工作特征曲线下面积，衡量分类模型性能的指标 |
📱 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