AI宝库

AI宝库首页 › AI 资讯 › AI Agents 罕见崩溃。 他们静静的失败了研究显示为什么

AI Agents 罕见崩溃。 他们静静的失败了研究显示为什么

来源:Unite.AI · 发布时间:10-30 · 由 AI宝库每小时自动聚合

大型语言模型agents现在回答支持票,查询数据库和计划出行。 当他们出错时,他们通常会返回一个自信的答案和成功

思想领袖

AI Agents 罕见崩溃。 他们静静的失败了研究显示为什么

在 Google 上的首选来源中添加 Unite.AI

大型语言模型agents现在回答支持票,查询数据库和计划出行。 当它们出错时,它们通常会返回一个自信的答案和成功的代码。 越来越多的研究解释了为什么这些失败很难看到,以及工程团队是如何学习测量这些失败的。

似乎成功的失败

传统软件往往会大声地失败。 一个函数丢出一个例外,一个服务器返回一个错误代码,一个监测仪表板会变成红色。 AI agent行为不同。 这是一个循环:一个语言模型读取了快取,决定调用搜索API或数据库等工具,读取结果,并决定下一步做什么。 每一步都可能出错,而链条中的每个网络请求仍然成功。

考虑一个普通案件。 天气工具失败,在正常反应中返回“ 无法提供的服务 ”。 该模型阅读了该文本,礼貌地道歉,或者更糟的是,它从培训数据中写出一个可信的预测。 用户收到流利的回答。 服务器日志以正常的空闲度显示成功请求。 常规监控库里没有任何记录显示出事了

模型提供者在自己的文件中描述了同样的空白。 兹克 1Z的Gemini API指导指出,该模型"不执行函数本身". 它只提出函数名称和参数,开发者的应用程序运行调用。 因此,该应用程序是系统唯一看到实际结果的部分。 Anthropic的"建造agents工程指南"提出了相关的观点,即agents在每一个步骤上都需要来自环境的"地上真理",如工具结果,来判断自己的进度。 当一个工具将失败报告为普通文本时,这种地底真理是错误的,而agent是无法注意到的。

这不是一个新问题,只是旧问题的更尖锐的版本。 2015年由D. Sculley所领导的Google工程师在机器学习系统中描述了"隐藏的技术债务". 他们认为,生产ML系统中的大多数风险都位于模型代码之外,在数据依赖性,配置和胶体代码中。 Agents在该列表中新增一层。 提示和工具描述是可以改变系统行为而不改变其代码的配置。

小编辑,大效果

一个小的即时改变能有多重要?在ICLR 2024的论文中,华盛顿大学的梅兰妮·斯克拉尔和同僚只改变了几发提示的格式:分隔符,间隔符和大写符。 意义不变。 同一项任务的性能在LLaMA-2-13B上仍然有76个精确点的差异。 灵敏度并没有随着更大的模型,更多的实例或指令调谐而消失。

作者们建议报告各种可能迅速的格式,而不是一个数字。 对于工程团队来说,实用的教训比较简单。 即时编辑即为代码更改。 它需要一个版本历史,需要测试才能到达用户。

这同样适用于工具描述,模型读作是其快取的一部分。 Anthropic的指南建议,工具定义应该像主要的“迅速”工程注意。 它描述了一个用相对文件路径不断出错的编码agent. 当工具被更改为需要绝对路径时,模型使用时没有出错。 模型没有改变。 只有它读到的描述

一个成功证明小

第二行研究审视一致性。 基准测试由姚顺尧和同僚在Sierra发布,并提交ICLR 2025,模拟客户服务对话,其中agent必须使用工具并遵循业务规则。 作者推出一个称为pass^k的度量:agent在所有 k 尝试中正确解决相同任务的概率。

结果是清醒的。 GPT-4o agent在一次尝试中解决了大约61%的零售任务。 当它不得不连续八次成功完成同样的任务时,这个比例下降到了25%左右。 一次称的演示是关于一个系统在千回跑中的表现

多Agent系统中断之处

许多小组现在把几个agents连在一起,一个规划,另一个执行,第三个检查工作。 UC Berkeley的一项2025年研究“为什么多Agent LLM系统失败?” 分析了7个受欢迎多agent框架的1 600多条附加说明的行刑痕迹。 作者由梅尔特·克姆里(Mert Cemri)为首,构建了名为MAST的分类学,有14个故障模式,分为三个组:系统设计问题,agents之间的错配,以及任务验证。

他们的核心发现是,许多失败来自于系统的设计方式,而不仅仅是基础模型的极限。 Agents忽略了他们指定的角色,失去了对话的轨迹,或者宣布一项任务没有检查结果就完成了。 这些失败没有留下任何错误。 只有有人能读懂每个agent实际所做的,它们才可见。 兹克 2Z对多agent悖论的覆盖使得架构产生了相關的一分:增加agents可以放大一个早期出错而不是取消。

让看不见的可见

工程反应取自分布式系统,许多服务长期以来都遵循这些系统的要求,采用一种称为追踪的技术。 应用到agents,每个用户请求都成为了追踪,每个模型调用或工具调用都成为其中"span". 一个跨度记录了它的输入,输出,使用的符号以及花费了多长时间。 这项工作的行业标准机构OpenTelemoter正在起草关于基因AI跨度的共享公约。 截至2026年,这些公约仍然在发展过程中标出,因此属性名称仍然可能改变。

一些开源项目如Langfuse,Arize Phoenix和AcruxCore已经应用了这个想法。 他们的源代码是公开的,因此团队可以检查一个追踪是如何存储的并运行在自己的服务器上。 他们将模型呼叫和工具呼叫记录为单一跟踪的跨度,让团队给他们附加质量分数。 工具的选择不只涉及一个细节:一个工具跨度必须记录工具实际返回的内容,而不仅仅是网络请求是否成功。 没有这些,上述的气象工具故障就看不见了。

工业调查表明,现在追查已很普遍,但检测落后。 LangChain的Agent工程状况报告在2025年末对1,340名从业人员进行了调查。 质量是将agents投入生产的最大障碍,由32%的受访者命名。 89%的组织报告了对agents的某种可观察性,62%的组织详细追踪了个别步骤和工具呼叫。 只有52.4%在测试机上进行了下线评价,37.3%对现场流量进行了评价。 大多数球队可以看到他们的agents做了什么。 少检查是否正确。

分级回答

追踪显示发生了什么他们没有说答案是否很好。 手取阅每一次谈话都不进行分级,因此球队越来越多地使用第二个模型作为分级员,这种方法被称作"LLM-as-a-judge". 由梁明正和同僚所著的"NeurIPS 2023"一文发现,GPT-4等强力模型在超过80%的时间里都同意了人类的偏好,大致与人类彼此同意的速度相同。

同一份文件记录了该方法的弱点。 裁判模型更喜欢先显示的答案,更喜欢更长的答案,并且可以偏好自己所写的文字。 因此,法官的评分是估计数。 它们对于体积有用,但需要对照一小组被人类标注的例子加以检查,并随机排列答案顺序。

从实践到政策

这一衡量工作也正在成为治理方面的预期。 美国国家标准与技术研究所于2023年1月公布了AI风险管理框架。 它的四项核心职能之一,即“计量”,要求各组织随着时间的推移量化、跟踪和记录AI风险。 对agent来说,追踪和评分是函数要求的证据。

团队现在可以做什么

这与在这个平台上提出的可靠性是对代理AI的真正测试的论点相呼应。 新增上面的研究这个论点下面的测量细节:可靠性并不是你曾经观察到的属性,它是你必须持续测量的范围。

研究指出了一套很短的习惯,主要的模型提供者推荐了许多相同的习惯。 OpenAI建造agents的实用指南告诉团队在优化前要"设置evals以建立性能基线",当agent超过一系列失败尝试或面临高风险行动时,要将控制权交给人类。 Anthropic建议在agents自行行动之前“在沙箱环境中进行广泛试验”。

实际上,这意味着几个具体步骤。 将提示和工具描述置于版本控制之下,作为代码。 对照固定数据集测试每个即时变化,并期望得出一系列结果而不是一个数字。 运行每个测试箱多次,因为一个通过会隐藏不一致。 记录工具输出在痕迹内,所以一个失败的工具不能隐藏在成功代码后。 将自动法官的分数作为估计,并对照人来检查。

这些习惯都不需要模型能力的突破。 它们要求将AI agent当作它是什么:一种必须测量的概率系统,因为它很少会宣布自己的失败。

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 597 款 AI 工具分类导航 · 每日 AI 热门项目与动态