AI图鉴

AI图鉴首页 › AI 资讯 › AI Agents 罕见崩溃。 他们静静地失败了研究显示为什么

AI Agents 罕见崩溃。 他们静静地失败了研究显示为什么

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

大型语言模型agents现在回答支持票,查询数据库和计划旅行。 当他们犯错时,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。 他们静静地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,查询数据库和计划旅行。 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是很难看到的,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,一个监测仪表板变成红色。 AI agent行为不同。 这是一个循环:一个语言模型读取一个提示,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。 每一步都可能会出错,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,返回正常响应中的“ 无法提供的服务 ” 文本。 该模型阅读了该文本,以礼貌方式道歉,甚至更糟的是,该模型从其培训数据中撰写了可信的预测。 用户收到流利的答案。 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

模式提供者在自己的文件中描述了同样的空白。 兹Q 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,该应用是系统唯一看到真实结果的部分。 Anthropic的建造agents工程指南提出了相关的观点,即agents需要在每一个步骤,如工具结果,从环境出发,来判断自己的进度。 当一个工具将失败报告为普通文本时,这种地面真理是错误的,agent没有办法注意到。

这不是一个新问题,只是旧问题更尖锐的版本。 2015年,由D. Sculley领导的Google工程师描述了机器学习系统中的"隐藏技术债务". 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

微小的迅速改变能有多重要?在ICLR 2024的论文中,华盛顿大学的Melanie Sclar和同事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音而消失。

作者们建议报告各种可能迅速格式的绩效,而不是一个数字。 对于工程团队来说,实用的教训比较简单。 即时编辑就是代码更改。 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,模型读作是其提示的一部分。 Anthropic的指南指出,工具定义应该像主要迅速一样“迅速的工程注意”。 它描述了一个用相对文件路径不断犯错的编码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

第二行研究研究的是一致性。 基准测试由 shunyu Yao 和同事在 Sierra 发布,并在 ICLR 2025 发布,模拟客户服务对话,其中 agent 必须使用工具并遵循业务规则。 作者推出一个名为pass^k的度量:agent在所有 k 尝试中正确解决相同任务的概率。

结果令人清醒。 GPT-4o agent在一次尝试中解决了约61%的零售任务。 当它不得不连续8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如何在千载运行中表现的

多Agent系统中断的地方

许多小组现在把几个agents连在一起,有一个计划,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个受欢迎的多agent框架的1 600多个附加说明的处决痕迹。 作者在梅尔特·塞姆里(Mert Cemri)的带领下,构建了一个名为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,或者在不检查结果的情况下宣布任务完成。 这些失败没有留下任何错误。 只有有人能读懂每个agent实际做的事,它们才显眼。 兹Q 2Z对多agent悖论的覆盖使架构产生了一个相关的观点:添加agents可以放大一个早期错误而不是取消它。

使无形可见

工程反应借用了分布式系统,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追踪,每个模式调用或工具调用都成为其中的"span". 一个跨度记录其输入,输出,使用的符号以及花费的时间。 这项工作的行业标准机构OpenTeleometry正在起草关于基因AI跨度的共享公约。 截至2026年,这些公约的标识仍然与制定时相同,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,并在自己的服务器上运行软件。 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,上述气象工具的故障就看不见。

工业调查表明,现在追查是常见的,但检测落后于追查。 LangChain的Agent工程状况报告在2025年末调查了1,340名从业人员。 质量是将agents投入生产时被引用最多的障碍,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%的测试机进行离线评价,37.3%的测试机进行了现场流量评价。 大多数球队可以看到他们的agents做了什么。 少检查是否正确。

按比例排列的分级回答

追踪显示发生了什么。 他们没有说答案是否很好。 每一次手动阅读谈话都不进行规模化,因此球队越来越多地使用第二个模型作为分级员,这个方法被称为LLM-as-a-judge. 黎明郑和同事的一篇NeurIPS 2023论文发现,GPT-4等强力模型在超过80%的时间里同意了人类的偏好,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,并且可以偏好自己写的文字。 因此,法官评分是估计数。 它们对于体积是有用的,但需要对照一小组人类标注的例子来检查,对答案顺序随机排列。

从实践到政策

这一衡量工作也正成为治理方面的期望。 美国国家标准和技术研究所于2023年1月公布了AI风险管理框架。 其四项核心职能之一,即“计量”,要求各组织在一段时间内量化、跟踪和记录AI风险。 对agent来说,追踪和评价分数是函数要求的证据。

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的真正考验的说法相呼应。 新增上方的研究这个论点下面的测量细节:可靠性不是一个你曾经观察到的属性,它是一个你必须不断测量的范围。

研究指出了一套短暂的习惯,主要的模型提供者推荐了许多相同的习惯。 OpenAI建造agents的实用指南告诉各团队在优化前"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,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”。

在实践中,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快速变化,并期望得出一系列结果而不是一个数字。 运行每个测试例多次,因为一个通过会隐藏不一致之处。 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面。 将自动裁判的分数当作估计,然后对照人来检查。

这些习惯都不需要模型能力的突破。 它们要求将AI agent视为什么: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图鉴自动抓取并翻译,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图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 598 款 AI 工具分类导航 · 每日 AI 热门项目与动态