KAIST ReTrace:拆解计算机操作 Agent 的错误恢复行为,反思与回滚都不靠谱

kaist-ai · hf · 2026-11-03

KAIST、ETRI 与 DeepAuto.ai 的论文《Lost in Recovery》研究 computer-use agent 在长程任务中的错误恢复能力——错误累积、已执行动作留下意外副作用时,恢复能力至关重要,但现有补救手段不足:在专有环境里环境重置往往不可行,而完整 action replay 代价过高。

论文提出 ReTrace 框架,形式化定义了「转换一致的恢复」(transition-consistent recovery),并通过目标导向的动作回放(goal-oriented action replay)来评测恢复行为。对比图示三种策略:(A) Reflection 从错误状态继续前进,有副作用风险;(B) Rollback 需要环境重置加动作重放,常常不可行;(C) Recovery 为论文主张的路径。结论表明基于模型的自主恢复能提升长程任务可靠性。