NeurIPS 2026|别等Agent把任务搞砸！7 B审计员AgentForesight在线抓错
从事后归因到在线审计，在任务失败前识别关键错误
多智能体的失误，未必表现为当场报错。更麻烦的是，一个 Agent 给出错误前提，其他 Agent 却继续认真执行。来自罗格斯大学、得克萨斯大学奥斯汀分校和普渡大学的研究团队提出 AgentForesight，让一个 7B 模型在任务运行中持续审计。在 AFTraj-2K 测试集上，它对失败轨迹的关键错误步骤识别指标 Exact-F1 达到 66.44 ，比最强通用模型基线高 19.88 分，而对成功轨迹误报率仅为 2.37% 。
让一个 Agent 规划，一个 Agent 搜索，再让另一个 Agent 汇报，任务就一定更可靠吗？
设想这样一个场景：用户想买一副 200 美元以内的降噪耳机，筛选 Agent 却把预算上限设成了 300 美元。接下来，比较参数、生成报告、给出推荐，每一步都可能有条不紊。可再漂亮的报告，也掩盖不了整条工作流已经偏离了用户要求。
后面的 Agent 未必做错了自己的子任务。它们只是把 前面那一步的错误 ，当成了继续工作的前提。
等推荐生成后，再追问「哪个 Agent、哪一步出了错」，当然有助于复盘。但能不能在预算刚被改错时就提醒系统，而不是让后面的 Agent 继续沿用这个错误前提？
这正是 AgentForesight 的出发点：在局部错误已经出现、却尚未一路传成任务失败时，尽早发出预警。
为此，它把 事后归因前移为在线审计 ：每完成一步，外部审计员就读取截至此刻的执行记录，决定继续还是报警，为后续干预争取时间。
论文标题：AgentForesight: Online Auditing for Early Failure Prediction in Multi-Agent Systems
作者：Boxuan Zhang、Jianing Zhu、Zeru Shi、Dongfang Liu、Ruixiang Tang。其中 Boxuan Zhang 与 Jianing Zhu 为共同第一作者，Ruixiang Tang 为通讯作者。
机构：Rutgers University、The University of Texas at Austin、Purdue University。
论文链接：https://arxiv.org/abs/2605.08715
项目主页：https://zbox1005.github.io/agent-foresight/
代码仓库：https://github.com/ZBox1005/AgentForesight
数据集：https://huggingface.co/datasets/ZBox008003/AFTraj
还没看到结局，凭什么叫停？
过去，许多多智能体失败分析工作采用事后归因：先读完一条已知失败的轨迹，再判断责任 Agent 和关键错误步骤。后续错误如何扩散、最终答案为什么不对，都能成为定位线索。
在线审计没有这些「后见之明」。AgentForesight 只能看到当前轨迹前缀，也就是截至此刻已经发生的记录；未来的动作、尚未返回的工具结果和最终成败，都不在它的视野里。
图 1｜从事后归因到在线审计。上图事后审计在任务失败后回溯错误；下图在线审计在关键错误出现时报警，为后续处理留下机会。 难点因此不只是「找出一个错误」，而是区分： 系统尚在合理探索，还是已经出现影响任务成败的决定性错误？ 前者不应被无端打断，后者则应在被下游 Agent 继续沿用前尽早识别。
报警也不能只说一句「有问题」。审计员还要指出错误发生在哪一步、由哪个 Agent 引入，并给出简短理由，让后续处理有明确的着力点。
不只收集失败，还要知道什么时候该放行
把事后归因搬到线上，训练数据也得改变。 只有失败轨迹，模型学不到何时应该继续任务；只有整条任务的成败标签 ，又无法告诉它究竟从哪一步开始出了问题。
为此，团队构建了 AFTraj-2K，覆盖代码生成、数学推理，以及涉及工具与检索的 Agentic 任务。数据集包含 2,272 条标注轨迹：1,158 条经过验证的成功轨迹，1,114 条失败轨迹。
但 「最终答对」，并不等于「过程每一步都可靠」 。中途出错后被其他 Agent 纠正的轨迹，不能不加区分地当作可用成功样本。团队因此同时检查最终结果、工具调用的完整有效性，以及每一步与当前子目标的一致性，筛出可用于前缀监督的成功轨迹。
图 2｜决定性错误的位置分布。横轴为错误位置占轨迹长度的比例，三个任务域呈现不同分布；总体覆盖 1,114 条失败轨迹。关键错误并不固定出现在开头或结尾。
失败数据则来自两条路径：一条在验证过的成功轨迹上注入错误，检查修改是否生效、任务是否确实失败；另一条从自然失败中提出候选位置，再经多次独立验证，检查错误是否真实存在、是否实质影响任务、是否具有决定性，以及是否为最早的决定性错误。
这里要找的不是最显眼的异常，而是能改变任务结局的关键一步：修正它之后，是否存在让任务从失败转向成功的后续路径？这让标签从「整条任务失败了」，细化为「哪一步、哪个 Agent 引入了决定性错误」。
先学会识别失败边界，再把错误找准
有了步骤标签，为什么还要分阶段训练？因为通用模型面临两道相互关联的门槛： 先分清当前记录是否已经越过失败边界 ，再在出错的记录里 定位具体步骤和责任 Agent。
直接要求它一次学会全部能力，精确归因的 奖励信号又过于稀疏 ，训练就可能退化成一律回答「安全」。AgentForesight 因此采用由粗到细的两阶段训练： 先建立对失败边界的敏感性，再将这份风险判断细化为准确归因。
图 3｜AgentForesight 方法总览。左：筛选成功轨迹，通过受控错误注入与自然失败验证构建步骤标注。右：先以 BPPO 学习失败边界，再以三轴奖励细化审计结论。
第一阶段：敏锐捕捉从「继续」到「报警」的关键转折
第一阶段的重点，是让在线审计模型对「还能继续」到「应该报警」的临界变化敏感起来。团队从同一条失败轨迹中取出两个相邻前缀：一个停在决定性错误前，应当继续；另一个只多出刚刚出错的那一步，应当报警。
这样， 任务背景和此前的执行历史保持不变，判断却必须随着关键一步翻转。 训练信号因此聚焦于导致风险变化的内容，而不是等失败后果充分暴露，才认出「这条任务已经失败」。
这就是 边界对偏好优化 （Boundary-Pair Preference Optimization，BPPO）：在每个前缀下提高正确回答相对于错误回答的偏好，并联合学习边界两侧的样本。模型由此获得对失败临界点的 风险预判先验 ，为下一阶段的精确定位提供起点。
第二阶段：从「有问题」，到「哪一步、哪个 Agent」
建立风险预判之后，还要让报警足够具体。第二阶段以第一阶段模型为起点，围绕审计结论的三个维度给出奖励。
步骤奖励不是只有「全对／全错」：预测位置越接近标注，奖励越高，为逐步找准错误提供平滑信号。误报与漏报都会受到惩罚，避免模型靠一律报警或一律放行取巧。
训练还将 第一阶段模型作为 KL 约束的参照 ，限制第二阶段偏离已经学到的风险判断。两个阶段并非简单串联：后者要在保留失败边界敏感性的同时，把「这里不对劲」细化为「这一步、这个 Agent 出了问题」。
同样只看当前记录，7B 审计员表现如何？
团队在 AFTraj-2K 的 332 条留出测试轨迹上评估审计能力。AgentForesight 与表中通用模型都逐步读取前缀，并以首次报警中的判断计分。Exact-F1 同时考察关键错误的检出与精确定位，ASS 则衡量报告的错误位置平均偏离标注多少步。
表 1｜AFTraj-2K 留出测试集主结果节选。↑越高越好，↓越低越好。
AgentForesight-7B 的 Exact-F1 达到 66.44 ，比该指标上最强的通用基线 DeepSeek-V4-Pro 高 19.88 分 ；相比其基础模型 Qwen2.5-7B-Instruct 的 21.05，提升也十分明显。
ASS 则从 DeepSeek-V4-Pro 的 1.77 降至 0.59，约为三分之一。这里衡量的是已检出失败轨迹上的归因位置偏差，而不是从出错到报警的等待时长。
分域来看，数学、代码与 Agentic 任务的 Exact-F1 分别为 77.36、78.87 和 48.70；Exact-F1 和 ASS 在三个域上都领先主表中的对照方法。
优势也不只出现在自建测试集。在未参与训练的 外部 Who&When 基准上 ，AgentForesight-7B 的关键步骤与责任 Agent 识别准确率分别为 57.69% 和 73.08%，ASS 为 1.62，均为论文所列对比模型中的 最佳结果 。
两个阶段，究竟各自补上了什么？
消融实验给出了直接对照：基础模型的总体 Exact-F1 为 21.05，只用第一阶段 BPPO 训练为 35.63，只用第二阶段训练为 50.42，完整方案训练则达到 66.44。
图 4｜两阶段训练的消融结果。完整方案在三个任务域及总体 Exact-F1 上均优于单独使用任一阶段；柱顶数字为四舍五入后的结果。
更能说明问题的是 Agentic 任务：只用第二阶段，Exact-F1 为 19.05 ，低于只用第一阶段的 31.58 ；两个阶段结合后，才提升到 48.70 。
这与两阶段的分工相呼应。数学和代码中的关键错误相对容易定位，定位奖励已能带来较好表现；而在检索、工具调用与多角色交互中，「是否已经构成决定性错误」更难判断，先建立失败边界的辨认能力就尤其重要。
对失败边界的判断，为更精确的错误归因提供起点。
这也解释了为什么不能只盯着 ASS：模型只在少数有把握的案例中报警，也可能得到很小的位置偏差。定位准不准，还要和漏掉了多少错误一起看。
抓得准之外，别把正常任务也叫停
在线审计的另一半考验，藏在成功轨迹里：它不是等任务结束后判断一次「成功」，而是要在每一个尚未完成的时刻，都不误把合理过程叫停。
图 5｜成功轨迹误报率与失败轨迹步骤准确率的权衡，越靠左上越好。浅绿色区域为论文选定的分析参考范围：FAR 不超过 20%，Step Accuracy 不低于 50%。
AgentForesight-7B 的成功轨迹误报率 FAR 为 2.37%，失败轨迹上的 Step Accuracy 为 59.51%；DeepSeek-V4-Pro 对应为 43.20% 和 53.99%。
2.37% 是 按整条轨迹计算 的：169 条测试集成功轨迹中， 只有 4 条 在逐步审计时触发过误报。一条轨迹只要在任意前缀上报警一次，就计为误报，而不是用大量正常步骤把错误「平均掉」。
因此，这组结果不只是「更少报警」，而是低误报与较好的关键错误识别同时出现。审计员既要对风险保持敏感，也要给正常探索留下空间。
一个错误答案，如何变成多个 Agent 的「共识」？
论文中的一条地点问答轨迹，展示了这种风险。系统需要寻找 Rivington Hall Barn 附近的一座旧工业城镇；案例标注答案为 Bolton，搜索 Agent 却返回 Horwich，Manager 随后沿用这一结果，最终提交错误答案。
图 6｜同一条问答轨迹中的不同判断。AgentForesight 将错误归因于 search_agent 返回错误地点的步骤；Gemini-3-Flash 指向较早的规划步骤，DeepSeek-V4-Pro 则给出 Safe。
两种基线失误恰好相反：Gemini-3-Flash 把仍在规划中的步骤判为决定性错误；DeepSeek-V4-Pro 则接受了这串前后自洽、却建立在错误事实上的执行过程。AgentForesight 指向搜索 Agent 返回错误地点的那一步，而非更早的正常规划。
后续 Agent 重复一个答案，并不会让它变成更可靠的证据。 在线审计要区分的，正是「信息仍待补充」和「关键错误已经被当成依据」这两种看起来都能继续往下执行的状态。
Agent 的下一位队友，可能是独立审计员
AgentForesight 探索的是一种独立分工：执行 Agent 负责推进任务，外部审计员专门判断过程是否已经出现关键偏差。它不要求重新训练底层执行系统，执行能力与审计能力可以分别优化。
这样的审计结论，可以成为暂停、重新规划、切换执行路径或转交人工检查的依据。多 Agent 系统不必等任务结束，才第一次获得关于执行过程的反馈。
本项工作的实验重点仍是在线识别与归因。报警后采取什么动作、能挽救多少失败，以及是否提高最终任务成功率，需要与具体干预机制结合验证。
审计员本身也会出错：论文观察到，本可由验证 Agent 自行纠正的过程仍可能触发误报，已检出的错误也可能存在定位偏差。逐步审计会增加调用开销，在更长的工作流、具身和开放式科研任务中的表现，也有待进一步评估。
这项工作的启示是，提升多智能体的可靠性，不一定只靠更强的执行模型，也可以让一个专门训练的模型，在运行过程中识别并指出关键错误。
多 Agent 协作，不只需要会执行的队友，也需要知道何时该提醒「这一步不对」的审计员。
作者信息
张博轩，罗格斯大学（Rutgers University）计算机科学博士生，师从唐瑞祥教授。研究方向包括可信智能体、大语言模型后训练与生成内容检测，相关成果发表于 NeurIPS、ACL、IJCV 等国际会议与期刊。目前重点关注智能体的在线审计、失败预警与可靠性评估，致力于提升大语言模型智能体在复杂任务中的安全性与可靠性。
个人主页：https://zbox1005.github.io/
实验室主页：https://www.ruixiangtang.net/