Agent(m‑1)SR：面向智能体的自递归纠错框架

arXiv编号：arXiv:2609.22068v1 $cs.AI$

摘要

大模型工具调用智能体在长视界复杂任务中容易出现工具参数错误、逻辑推理漏洞、幻觉，一旦发生错误，后续步骤会基于错误状态持续传播错误。现有的纠错方案大多依赖外部独立评判器、额外反思轮次，需要消耗大量额外token，并且很难定位深层链式传播错误。本文提出Agent(m‑1)SR（Agent(m‑1)Self(m‑1)Recursive，自递归纠错） ，一套轻量自递归纠错框架。智能体在执行每一步工具调用之前，递归回溯解析当前完整轨迹，定位历史步骤根源错误；不需要额外独立评判模型，复用智能体自身推理能力完成错误检测(m‑1)诊断(m‑1)修复。

Agent(m‑1)SR设计两类递归回溯模式：受限回溯模式 限定最大回溯步数，平衡开销；自适应回溯模式 由智能体自行判断需要回退到哪一步，不需要硬编码步数上限。纠错之后，从修复点重新向前推进执行，丢弃错误分支后续全部失效轨迹。

在BFCL(m‑1)v4、OSWorld、(\tau)³(m‑1)Bench三大智能体基准开展评测。相比原生ReAct基线，Agent(m‑1)SR分别带来**+14.2%、+12.7%、+10.4%**的任务成功率提升。消融实验验证回溯机制、自适应决策模块有效性；在token开销可控前提下实现性能增益。全部代码、评测脚本开源发布。

关键词

大模型智能体；自递归纠错；错误回溯；链式错误传播；ReAct；工具调用

引言
相关工作
[Agent(m‑1)SR 方法](#Agent(m‑1)SR 方法)
- [3.1 问题定义](#3.1 问题定义)
- [3.2 原生ReAct执行与错误传播](#3.2 原生ReAct执行与错误传播)
- [3.3 Agent(m‑1)SR整体架构](#3.3 Agent(m‑1)SR整体架构)
- [3.4 两种回溯执行模式](#3.4 两种回溯执行模式)
  - [3.4.1 受限回溯模式](#3.4.1 受限回溯模式)
  - [3.4.2 自适应回溯模式](#3.4.2 自适应回溯模式)
- [3.5 完整运行伪代码](#3.5 完整运行伪代码)
- [3.6 Prompt设计要点](#3.6 Prompt设计要点)
实验设置
- [4.1 评测基准](#4.1 评测基准)
- [4.2 对比基线](#4.2 对比基线)
- [4.3 模型与环境配置](#4.3 模型与环境配置)
- [4.4 评测指标](#4.4 评测指标)
实验结果
- [5.1 主实验整体结果](#5.1 主实验整体结果)
- [5.2 消融实验](#5.2 消融实验)
- [5.3 回溯模式与开销权衡](#5.3 回溯模式与开销权衡)
- [5.4 错误类型统计分析](#5.4 错误类型统计分析)
讨论与局限性
结论
参考文献
[附录A 完整提示词](#附录A 完整提示词)
[附录B 实验超参数配置](#附录B 实验超参数配置)
[附录C 补充实验结果](#附录C 补充实验结果)

1 引言

工具调用大模型智能体（如ReAct）交替执行推理思考与工具动作，完成复杂开放域任务。长视界任务中一个核心痛点：链式错误传播。早期步骤出现工具参数写错、推理幻觉、解析错误，后续全部步骤基于错误中间状态继续推演，最终任务失败。

现有纠错方案分为几类：

事后反思（Reflexion类） ：任务结束之后复盘全部轨迹，仅用于下一次全新episode，不能修复当前正在运行的会话；
外部独立校验器：引入额外评判模型，每一步校验输出，带来大量额外token开销；
固定步数回滚：检测错误之后总是回退固定步数，无法区分浅层错误与根源在很早之前的深层错误；回退步数设置过小无法定位根源，设置过大带来巨大开销。

本文提出Agent(m‑1)SR自递归纠错框架 。复用智能体本身的推理能力，不需要额外独立评判模型。在准备执行下一个工具动作前，递归扫描完整历史轨迹，定位错误根源位置；回退至该步骤，丢弃错误分支后续全部轨迹，从修复点重新向前执行。提供两种运行模式：

受限回溯模式：配置最大允许回溯步数，控制计算开销；
自适应回溯模式：由智能体自行判断根源错误所在的历史位置，动态确定回退步数。

核心设计思想：纠错逻辑和主执行逻辑使用同一个基座模型，自递归完成"检测错误(m‑1)定位根源(m‑1)回退(m‑1)重执行"闭环，不引入外部辅助模型。

本文主要贡献

提出Agent(m‑1)SR自递归纠错智能体框架，实现会话内递归回溯修复链式传播错误，复用主模型推理，无需额外评判器。
设计受限回溯、自适应回溯两种运行模式，兼顾任务性能与token开销权衡，提供完整伪代码与提示词设计。
在BFCL(m‑1)v4工具调用、OSWorld操作系统智能体、(\tau)³(m‑1)Bench业务数据库智能体三大基准评测，相比原生ReAct基线，成功率分别提升14.2%、12.7%、10.4%。消融验证各模块有效性；统计各类错误修复分布。
开源完整实现代码、评测脚本与提示词。

2 相关工作

2.1 ReAct及衍生智能体

ReAct范式交替Thought推理与Action工具调用；Reflexion在episode结束后做反思，用于下一轮任务，不能在当前会话回滚修复历史错误。ReWoo、Tree(m‑1)of(m‑1)Thought侧重规划与分支搜索，不聚焦运行时错误回溯修复。

2.2 智能体错误检测与修复

外部校验器：引入第二个LLM做每一步校验，带来额外成本；
固定回滚：检测异常就回退N步，N是超参数，根源错误不在该窗口内则失效；
会话内修复：部分工作支持撤销工具操作，但依赖环境支持状态回滚；Agent(m‑1)SR重点：由模型自己定位根源错误位置，不需要外部评判器。

2.3 递归/自引用大模型

递归推理、自改进LLM大多用于单轮文本推理任务；Agent(m‑1)SR将自递归思想迁移到交互式工具调用智能体，用于历史轨迹错误溯源。

3 Agent(m‑1)SR 方法

3.1 问题定义

智能体会话轨迹：

τ = $( t 0 , a 0 , o 0 ) , ( t 1 , a 1 , o 1 ) , ... , ( t k - 1 , a k - 1 , o k - 1 )$ \tau = $(t_0,a_0,o_0), (t_1,a_1,o_1),...,(t_{k-1},a_{k-1},o_{k-1})$ τ= $(t0,a0,o0),(t1,a1,o1),...,(tk-1,ak-1,ok-1)$

t i t_i ti：第 i i i步推理Thought； a i a_i ai：工具Action； o i o_i oi：环境返回观测Observation。

原生ReAct根据 τ \tau τ生成下一步 ( t k , a k ) (t_k,a_k) (tk,ak)，送入环境得到 o k o_k ok，追加到轨迹。

链式错误传播 ：若第 m m m步（ ( m < k ) (m<k) (m<k)）发生错误， ( m + 1 , ... , k ) (m+1,...,k) (m+1,...,k)全部建立在错误状态之上。目标：识别根源位置 m m m，将会话回退到 m ( m ‑ 1 ) 1 m(m‑1)1 m(m‑1)1，丢弃 ( t m , a m , o m ) , ... , ( t k − 1 , a k − 1 , o k − 1 ) {(t_m,a_m,o_m),...,(t_{k-1},a_{k-1},o_{k-1})} (tm,am,om),...,(tk−1,ak−1,ok−1)，从 m ( m ‑ 1 ) 1 m(m‑1)1 m(m‑1)1重新继续执行。

前提假设：环境支持状态回滚至历史步骤（OSWorld、(\tau)³(m‑1)Bench仿真环境、BFCL工具执行沙箱均支持）。

3.2 原生ReAct执行与错误传播

原生ReAct不会溯源历史错误。即便中间步骤已经出错，仍然继续在错误轨迹上生成下一步动作，错误不断累积放大，直到任务彻底失败。

3.3 Agent(m‑1)SR整体架构

整体执行循环分为两大阶段：

主执行阶段：和标准ReAct一致，生成推理与工具动作；
自递归纠错阶段（执行动作前触发） ：传入完整历史轨迹，让同一个基座模型 递归分析轨迹：
- ① 检测轨迹是否存在错误；
- ② 如果存在，定位根源错误所在的步骤索引m；
- ③ 执行环境状态回滚，丢弃m及之后全部轨迹条目；
- ④ 回到主执行阶段，从回退后的轨迹继续推进。

触发时机：每一次准备调用工具之前运行纠错递归；不是每一步都一定触发回滚；只有识别到根源错误才执行回退；没有错误就直接执行下一步动作。

3.4 两种回溯执行模式

3.4.1 受限回溯模式

配置超参数 B m a x B_{max} Bmax，允许最大回溯步数。

模型定位根源错误位置 m m m；
如果当前步 k − m ≤ B m a x k - m \le B_{max} k−m≤Bmax：执行回滚到 m ( m ‑ 1 ) 1 m(m‑1)1 m(m‑1)1；
如果超出 B m a x B_{max} Bmax：禁止回滚，直接继续向前执行，避免开销爆炸。>

优点：token开销有硬上限，可控；缺点：根源错误过于久远时无法修复。

3.4.2 自适应回溯模式

不设置固定步数上限；完全交给模型输出根源错误索引 m m m；只要模型判定存在根源错误就执行回滚。

优点：可以修复很早之前发生的深层根源错误；缺点：极端情况下会带来更大token消耗；增加无限回滚防护：设置全局最大回滚总次数，防止死循环反复回退。

3.5 完整运行伪代码

复制代码

def agent_sr(env, max_real_steps, max_total_rollback, mode, B_max=None):
    """
    env:支持状态回滚的仿真沙箱环境
    max_real_steps:真实环境最大执行步数
    max_total_rollback:全局总回滚次数上限，防止死循环
    mode: "constrained"受限 / "adaptive"自适应
    B_max:受限模式最大可回溯步数
    """
    obs = env.reset()
    trace = []
    total_rollback_cnt = 0

    while len(trace) < max_real_steps and total_rollback_cnt < max_total_rollback:
        # ---------- 主执行阶段：标准ReAct生成推理与候选动作 ----------
        thought, action = react_generate(trace, obs)

        # ---------- 自递归纠错阶段：动作执行前触发 ----------
        error_found, root_error_step = self_recursive_audit(trace, obs)

        if error_found:
            if mode == "constrained":
                delta = len(trace) - root_error_step
                if delta > B_max:
                    # 超出最大回溯窗口，放弃修复，直接执行动作
                    pass
                else:
                    # 执行回滚
                    env.rollback(root_error_step - 1)
                    trace = trace[:root_error_step - 1]
                    total_rollback_cnt += 1
                    obs = env.get_current_obs()
                    continue # 回到循环开头，重新生成思考与动作

            elif mode == "adaptive":
                env.rollback(root_error_step - 1)
                trace = trace[:root_error_step - 1]
                total_rollback_cnt += 1
                obs = env.get_current_obs()
                continue # 重新生成

        # 没有检测到错误，正常执行动作
        obs, reward, done, info = env.step(action)
        trace.append( (thought, action, obs) )
        if done:
            break
    return trace

3.6 Prompt设计要点

自递归审计self_recursive_audit提示词输出固定JSON格式：

复制代码

{
  "has_error": true/false,
  "root_error_index": int|null,
  "error_analysis": "简短根源错误原因说明"
}

约束：

root_error_index是trace列表下标；无错误填null；
要求定位根源错误步骤，不是表象错误现象；
不允许输出回退到0号之前。

附录A提供完整Prompt文本。

4 实验设置

4.1 评测基准

BFCL(m‑1)v4：函数/工具调用基准，侧重参数解析、多工具组合调用；
OSWorld：操作系统智能体，在Linux桌面仿真环境执行复杂电脑操作任务；
(\tau)³(m‑1)Bench：数据库业务仿真智能体，带状态修改的业务流程任务。

4.2 对比基线

Vanilla(m‑1)ReAct：原生ReAct，无纠错回滚；
Reflexion：任务结束后反思，用于下一条episode，会话内不回滚；
Fixed(m‑1)N(m‑1)Rollback：固定N步回滚；检测异常总是回退最近N步；设置N=2、N=4两组；
Agent(m‑1)SR(m‑1)Constrained（本文受限模式）；
Agent(m‑1)SR(m‑1)Adaptive（本文自适应模式）。

4.3 模型与环境配置

基座模型：Qwen2.5(m‑1)7B(m‑1)Instruct；

环境：全部基准使用官方沙箱，支持环境状态rollback回滚接口 ；

超参数：

max_real_steps：各基准沿用官方默认最大步数；
max_total_rollback = 8 全局回滚总次数上限，防止死循环；
受限模式 B m a x = 4 B_{max}=4 Bmax=4。

4.4 评测指标

SR 任务成功率：完整完成任务占比（主指标）；
Avg(m‑1)Token：每条episode平均总token消耗，统计增量开销；
Rollback(m‑1)Cnt：平均每条episode回滚次数；
错误分类统计：参数错误、推理幻觉、工具选择错误、解析错误。

5 实验结果

5.1 主实验整体结果

方法	BFCL(m‑1)v4 成功率	OSWorld 成功率	(\tau)³(m‑1)Bench 成功率	平均Token
Vanilla(m‑1)ReAct	52.6%	37.4%	44.1%	12.4k
Reflexion	55.3%	39.6%	46.3%	13.1k
Fixed(m‑1)N(m‑1)Rollback(N=2)	58.7%	43.1%	49.5%	14.8k
Fixed(m‑1)N(m‑1)Rollback(N=4)	61.0%	45.2%	51.2%	16.3k
Agent(m‑1)SR(m‑1)Constrained	64.5%	48.6%	53.8%	17.1k
Agent(m‑1)SR(m‑1)Adaptive	66.8%	50.1%	54.5%	20.6k

性能提升对比原生ReAct：

BFCL(m‑1)v4：+14.2%（自适应模式）

OSWorld：+12.7%（自适应模式）

(\tau)³(m‑1)Bench：+10.4%（自适应模式）
自适应模式性能最优，但token开销更高；受限模式取得不错增益，开销更低，适合资源受限场景。

5.2 消融实验

配置	BFCL(m‑1)v4成功率	说明
完整 Agent(m‑1)SR(m‑1)Adaptive	66.8%	完整自递归溯源+回滚
去掉根源定位，只回退最近一步	59.2%	失去根源定位，仅修复表层错误
去掉自递归审计，使用外部独立评判器	67.1%	性能接近，但额外引入一套模型开销
关闭回滚，只做错误诊断不修复	54.7%	仅诊断不回滚几乎无收益

消融说明：根源错误定位是核心；只诊断不执行回滚几乎不能提升成功率；外部评判器可以拿到相近性能，但增加部署成本。

5.3 回溯模式与开销权衡

受限模式 B m a x B_{max} Bmax调参： B m a x = 2 B_{max}=2 Bmax=2性能提升有限； B m a x = 4 B_{max}=4 Bmax=4性价比最高；继续增大 B m a x B_{max} Bmax收益边际递减，token快速上涨。
自适应模式：可以修复更早根源错误；但部分样本会发生多次回滚，token开销上涨明显；全局max_total_rollback=8有效阻止无限回滚死循环。

5.4 错误类型统计分析

统计被Agent(m‑1)SR成功修复的错误分布：

工具参数错误：41.2%（占比最高）；
推理幻觉错误：28.7%；
工具选择错误：18.3%；
输出解析格式错误：11.8%。

现象：大量失败不是发生在最近一步，根源出现在2(m‑1)4步之前；固定N=2回滚经常无法命中根源。

6 讨论与局限性

环境依赖 ：Agent(m‑1)SR依赖环境提供状态回滚rollback接口；真实物理世界、无状态网页环境无法做状态回滚，该框架不能直接使用；适合仿真沙箱、容器类可回滚环境。
自递归审计本身会出错：主模型自身可能漏检错误，或者错误定位错误的根源步骤，带来无效回滚，增加开销。
开销(m‑1)性能权衡：自适应模式性能最好，但token开销明显上升；生产部署优先选择受限回溯模式做平衡点。
防护机制必要性：必须设置全局最大回滚次数，防止模型陷入"检测错误(m‑1)回滚(m‑1)再次生成同样错误"的无限循环。
本方法聚焦会话内历史轨迹修复，和Reflexion（跨episode事后反思）可以互相组合叠加收益。

未来方向：

降低自递归审计token开销，例如对长轨迹做摘要后再溯源审计；
和树搜索类智能体结合；
拓展到不支持状态回滚的环境，研究不需要环境回滚的错误溯源策略。

7 结论

本文提出Agent(m‑1)SR自递归纠错智能体框架，复用基座模型自身推理能力，在工具执行前递归审计会话轨迹，定位根源错误，执行环境回滚并重执行。提供受限回溯、自适应回溯两种模式平衡性能与开销。

在BFCL(m‑1)v4、OSWorld、(\tau)³(m‑1)Bench三大基准，相比原生ReAct取得显著成功率提升。消融验证根源定位模块是性能核心；该方法适合具备状态回滚能力的沙箱仿真环境；可以与跨episode反思方案叠加使用。代码与评测脚本全部开源。

8 参考文献

完整参考文献查阅原始arXiv网页：https://arxiv.org/html/2609.22068v1

附录A 完整提示词

标准ReAct系统提示；
自递归审计self_recursive_audit完整Prompt，含JSON输出格式约束；
回滚边界约束、错误输出过滤规则。

附录B 实验超参数配置

全部基准的超参数： B m a x B_{max} Bmax、max_real_steps、max_total_rollback、temperature设置、环境参数、随机种子。

附录C 补充实验结果

B m a x B_{max} Bmax参数扫描消融；
不同基座模型（7B(m‑1)13B）下复现结果；
各基准错误类型细分统计；
回滚次数分布统计；
Reflexion+Agent(m‑1)SR组合实验结果。

Agent(m‑1)SR：面向智能体的自递归纠错框架