DARC：先诊断后自愈，大模型Agent为何不该盲目堆叠上下文？
Diagnosis Before Recovery: Turning Agent Failures into Selective Self-Correction
编写代码的大模型智能体（Coding Agent）在过去一年中取得了非常亮眼的进展。不少人将其归功于基座模型代码能力的代际跃升，但从系统工程的角度来看，代码生成任务天然拥有一种极其奢侈的调试基础设施：编译器、测试用例和运行时堆栈追踪。当代码执行报错时，环境返回的不仅是一个“任务失败”的布尔值，而是带有严格类型信息的报错信号——语法错误、类型不匹配、断言失败抑或是超时中断。这些结构化反馈为智能体精准划定了修复范围，让“自我修正”（Self-Correction）变得切实可行。
ArXiv URL：https://arxiv.org/abs/2608.11772v1
然而，一旦离开代码环境，通用的语言大模型智能体（Language Agent）往往会瞬间失去这层诊断底座。在具身家庭任务中，智能体可能只是因为输出了一个当前物理状态下不可执行的非法动作而失败，但环境往往只冷冰冰地返回一句“任务未完成”；在多应用协作场景中，智能体可能卡在缺少某个跨应用的 API 调用工作流；在金融数据抽取任务中，智能体明明定位到了原始数字，却因为格式没有严格对齐 Schema 而功亏一篑。面对这类性质迥异的失败，业界主流的做法却出奇地一致：盲目扩张上下文。许多系统要么让模型重新输出一段长篇反思（Reflection），要么检索更多示范用例，要么把冗长的工具文档全量塞进 Prompt。
这种通用的“自愈剧本”（Generic Recovery Playbooks）试图用统一的信息膨胀来掩盖诊断能力的缺失。蚂蚁国际（Ant International）的研究团队指出了这一范式的底层缺陷：当智能体发生故障时，系统真正需要的是一个收敛、聚焦的修复接口，盲目泛化上下文不仅无法对症下药，还会引入严重的恢复干扰与不受控的开销。为此，研究团队提出了 DARC（Diagnosis-guided Agent Recovery and Correction，诊断引导的智能体恢复与自愈）框架，主张“先诊断、后修复”，将智能体在开发集上的失败样本转化为可判别的诊断信号，通过先验诊断剪枝无关干预手段，并蒸馏出具有成本意识的回退策略。
盲目堆叠上下文的代价值
通用自愈方案的诱人之处在于其形式上的“放之四海而皆准”。开发者不需要针对具体业务场景定制调试逻辑，只需要在模型报错后，执行一套包含“反思生成 + 检索增强 + 工具文档展开”的标准流水线。但在缺少编译器反馈的复杂任务中，这种粗放的恢复策略面临着三个根本性冲突：
第一个冲突是干预错配（Intervention Mismatch）。当一个具身控制智能体因为物理遮挡而无法抓取物体时，向其提供一份详尽的外部 API 手册是毫无意义的；同样，当一个金融抽取智能体出现精确数值标签格式偏差时，让模型反思任务的战略目标也无法提供具体的语法约束。没有诊断环节的介入，恢复模块所调用的干预手段与实际的故障机理往往处于完全脱节的状态。
第二个冲突是恢复干扰（Recovery Interference）。大模型的上下文窗口虽然越来越大，但注意力机制在长文本与冲突先验下的抗干扰能力依然脆弱。如果把不相关的恢复信息强行注入上下文，往往会诱导模型偏离原本正确的轨迹。例如，在具身环境中展示过多的跨阶段流程指引，容易让模型在基础动作尚未合法化之前就强行跳转步骤；而在金融抽取场景中混杂过多的其他任务样例，反而会破坏模型原本对局部 Schema 的敏锐度。
第三个冲突是不受控的恢复成本（Uncontrolled Recovery Cost）。在实际生产和在线部署中，智能体的每一步交互、每一次向量检索和每一次长 Prompt 推理都会直接转化为真金白银的 Token 开销与端到端延迟。如果无论遇到什么轻微偏差，都触发全套重度恢复手段，整个系统的交互步数和资源消耗就会迅速失控。
DARC 的核心主张正是在这里拉开差距：失败信号的目的不应该是触发更长的 Prompt，而是用来界定“什么样的恢复干预是合法的”，以及“该干预应当按照怎样的顺序与预算被触发”。智能体的自愈过程，本质上应当是一场恢复接口的收敛设计，而不是无节制的信息扩充。
DARC框架：两阶段构建自愈 Harness
DARC 的整体设计目标是在离线开发阶段提取任务家族（Task Family）的主导失败模式，并为该任务家族冻结一套轻量、确定性的恢复安全带（Harness）。整个框架分为两个紧密耦合的阶段：失败诊断与恢复策略蒸馏。
在形式化定义中，假设任务家族为 $\mathcal{X}$，基础智能体针对任务 $x \in \mathcal{X}$ 生成轨迹或输出 $y$。环境提供一个判别任务是否成功的验证器 $s(x,y) \in {0, 1}$，并产生对应的执行成本 $c(x,y) \geq 0$（例如环境交互步数或检索预算）。系统预先具备一个候选恢复干预库 $\mathcal{R}$，其中可能包含动作合法性守卫（Action Guard）、API 流程指引、局部归纳规则或少样本检索配置等。一个失败信号如果能够显式挑选或参数化某个干预手段，它才是“具有可操作性”的。
第一阶段：失败模式诊断与干预空间剪枝
针对某一特定任务家族，DARC 首先在开发集上执行基础智能体，收集其显式的失败特征分布。例如在具身基准 ALFWorld 中，智能体最突出的失败特征是频繁输出不合法的动作指令；在跨软件操作系统 AppWorld 中，核心瓶颈在于缺少跨应用的 API 复合工作流；而在 XBRL 金融报表抽取中，主要矛盾集中在输出格式能否完全对齐严苛的报表规范。
根据开发集暴露出的主导故障模式 $m$，DARC 会主动对全局干预库 $\mathcal{R}$ 进行修剪，仅保留能够直接对冲该故障的合法干预子集 $\mathcal{R}_m$。这一步操作直接在策略搜索之前砍掉了所有可能引发干扰的不匹配手段。ALFWorld 仅保留动作合法性约束接口，AppWorld 仅保留程序化知识源与回退流程，金融任务则仅保留针对特定示例数量 $k$ 的检索格式配置。这种基于任务家族级别（Task-Family Level）的静态冻结设计，避免了在运行时引入复杂且脆弱的在线元学习器，保证了工业级落地的确定性与可审计性。
第二阶段：基于验证器反馈的策略蒸馏
在确定了合法的候选干预集合 $\mathcal{R}_m$ 之后，系统需要进一步解决干预调用的先后次序与开销权衡。并非所有失败都需要一上来就动用最昂贵、最详尽的恢复手段。DARC 在训练集上收集每种干预单独作用时的成功情况与伴随成本：
\[E_{i,j} = \big( s(x_i, r_j), c(x_i, r_j) \big)\]对于任意一个有序的回退策略 $\pi = (r_1, r_2, \dots, r_L)$，智能体在部署时会按序尝试。一旦某个较早的干预 $r_t$ 使得环境验证器返回成功（即 $s(x_i, r_t) = 1$），执行立即终止；只有当前置干预失败时，系统才会向下级联至后续开销可能更高的备选干预。因此，策略 $\pi$ 在任务 $x_i$ 上的截断停止步数 $h_i^*(\pi)$ 可以形式化表示为：
\[h_{i}^{*}(\pi) = \begin{cases} \min \{ t : s(x_i, r_t) = 1 \}, & \text{若策略中存在成功的干预} \\ L, & \text{否则} \end{cases}\]在此基础上，DARC 统计出该策略在训练集上的经验成功率 $\widehat{\mathrm{succ}}(\pi)$ 与期望执行成本 $\widehat{\mathrm{cost}}(\pi)$，并通过惩罚超出基础预算 $\tau_{\text{free}}$ 的超额开销，构建整体目标优化函数：
\[J(\pi) = \widehat{\mathrm{succ}}(\pi) - \lambda \max \big( 0, \, \widehat{\mathrm{cost}}(\pi) - \tau_{\text{free}} \big)\]从理论性质来看，单看成功覆盖率，干预组合的边际收益满足单调次模性（Monotone Submodular），这意味着极少数针对性的关键干预就能覆盖绝大部分可修复的失败长尾。而由于第一阶段的诊断已经大幅压缩了候选空间 $\lvert \mathcal{R}_m \rvert$，使得有界策略空间 $\Sigma_K$ 变得极为精简，DARC 可以通过简单的穷举或局部枚举快速锁定 Pareto 最优的有序策略，并将其参数直接冻结以供线上部署。
三大极端瓶颈评测：精准干预的威力
为了验证诊断引导机制在不同故障场景下的普适性与边界，研究团队挑选了三个在失败机理上截然不同的基准展开评测：聚焦动作合法性的具身环境 ALFWorld、聚焦复杂业务流程与多 API 调用的 AppWorld，以及严苛要求输出格式对齐的 XBRL Finance。
在所有测试环境中，DARC 统一遵循相同的构建协议，但最终生成的自愈形态却完全随诊断自适应特化。实验不仅对比了基座模型、通用未约束自愈剧本，还特意引入了干预错配的消极对照组（例如把金融的检索策略强加给具身任务），以此拆解“诊断引导剪枝”与“盲目堆砌上下文”的实质差距。
ALFWorld：从动作合法性守卫看自愈本质
在 ALFWorld 具身控制任务中，基座模型面对环境时最常见的挫败是生成逻辑看似合理但当前状态不支持的动作，导致交互在无效循环中耗尽步数。通用恢复方案往往会尝试给智能体输入更多上下文观察或重新反思，但这对消除非法动作收效甚微。
DARC 诊断出该任务的核心在于动作空间越界，因此蒸馏出的是一个极度收敛的“动作合法性守卫”。该守卫不依赖额外的模型概率重采样，也不偷看环境的黄金标准动作，而是作为一个确定性的诊断评分规则，在环境返回的可行候选动作集合中，依据目标阶段、搜索优先级和循环惩罚对动作进行打分过滤。
在 DeepSeek-V4-Flash 基座上，这一针对性约束带来了戏剧性的变化。基座模型在 ALFWorld 上的平均成功率仅为 58.21%，且每个 Episode 平均会产生多达 1.284 次非法动作。如果采用通用的 Prompt 扩展剧本，成功率几乎没有实质变化，步数开销却进一步增加。而部署 DARC 守卫后，智能体的宏观成功率大幅跃升至 91.94%，每 Episode 的非法动作数量骤降 92.9% 至 0.091 次，平均环境交互步数降低了 54.2%。
更关键的是效率维度的重塑。由于无效动作被大幅修剪，智能体避免了大量的无用试探，每 100 次环境交互所能换取的任务成功数从原先的 1.16 飙升至 6.02。这清晰地表明，在动作越界的任务家族中，给模型套上收敛动作空间的“紧箍咒”，远比给它塞入海量上下文或工具描述管用得多。
AppWorld：流程复杂性下的成本帕累托前沿
在涉及跨多应用调用的 AppWorld 挑战中，智能体的瓶颈转向了高级 API 编排流程的缺失。此时简单的格式约束或单一动作守卫已经失效，系统必须引入诸如自动知识挖掘（Auto-Knowledge）、局部归纳规则以及检索补充等重量级干预手段。
但如果智能体遇到任何阻碍都全量触发这一套重型工具，推理延迟和环境步数将呈指数级上升。DARC 在此处展现了“策略蒸馏”的价值。通过在训练集上权衡成功率与环境步数开销，DARC 筛选出了一条优雅的有序级联链条：优先使用开销极低的小型程序化先验；只有当低成本恢复失败被验证器捕获时，才逐级下放至重量级的检索与归纳知识源。
实验数据显示，DARC 选定的策略稳稳落在了候选策略集的成本-成功率帕累托前沿上。相较于无脑触发所有知识库的臃肿方案，DARC 以显著更少的环境步数换取了极具竞争力的解决率，证明了在流程复杂度极高的领域，恢复信号不仅需要定性匹配，更需要精细化的调用层级管理。
XBRL Finance：格式严苛场景下的检索预算定型
在金融场景的 XBRL 标签抽取与公式识别任务中，模型面临的是极其规范的 Schema 约束。这里不需要复杂的交互步数，也不存在状态机转移，智能体能否做对，高度依赖于上下文中是否有恰到好处的格式示范（Demonstration）。
通用做法往往是倾向于尽可能多地检索示范用例（例如 $k=8$ 甚至 $k=16$）。但长上下文不仅消耗输入 Token，还极易引入不相关甚至相互冲突的字段样例，造成注意力漂移。DARC 将该任务家族的恢复策略空间约束为检索预算 $k$ 的单调选择问题。
经过验证器驱动的蒸馏，DARC 发现该类任务的边际收益在极小预算时就已饱和：公式抽取仅需固定 $k=2$，而标签对齐仅需 $k=1$。在平均仅消耗 1.5 个检索示例的极低预算下，FiNER 标签和 Formula 抽取的准确率分别维持在 90.00% 和 99.00% 的极高水平区间，与暴力检索 16 个示例的重度方案表现相当，但 Token 开销和检索延迟出现了断崖式下降。
深入剖析：为什么必须先诊断？
为了严格论证 DARC 性能增益的来源，研究团队进行了一系列极具说服力的消融与对照实验，正面回应了围绕该框架的核心疑问。
错配干预的灾难性后果
为了证明干预手段并非互通有无的通用补丁，消融实验将各基准专用的自愈策略进行了交叉错配。结果极具冲击力：
当把金融任务专用的少样本检索策略套用到 ALFWorld 具身控制任务中时，智能体的任务解决率不仅没有任何提升，反而由于上下文被无关示例挤占，导致动作决策更加混乱，成功率出现了极为明显的负向滑坡；反过来，如果把 ALFWorld 的动作合法性守卫套用到金融报表抽取上，由于该守卫完全不具备语法对齐能力，抽取准确率直接原地崩塌。
这一对照彻底击碎了“只要给智能体提供自愈机会，无论输入什么提示都有正向收益”的侥幸假设。恢复干预本身具有极强的状态与语义排他性，错误的自愈信号在本质上等同于高频噪声输入。
信息公平性：DARC真的占了特权便宜吗？
对于 ALFWorld 取得的大幅提升，一个不可回避的审视在于：DARC 的动作守卫是不是因为接触到了基线模型看不到的“特权信息”才赢的？
研究团队在完全对齐的环境下进行了公平性压测。在统一采用 DeepSeek-V4-Flash 模型、严格限制 50 步预算、输入完全相同的环境观测文本、且均能访问环境返回的可行候选动作集的前提下，对比基线直接在 Prompt 中展示这些候选动作，而 DARC 则是利用诊断先验构建的规则打分器对动作进行重排序。
测试表明，即使基线智能体在上下文中完整看到了环境给出的所有合法候选动作，由于缺乏针对任务状态转移的先验打分，模型依旧会频繁选错甚至陷入无尽的探索死循环；而 DARC 的规则打分函数甚至不需要去反推模型的概率分布，仅凭对主导失败模式的结构化限制，就实现了超过 35 个百分点的绝对胜率提升。这证明 DARC 的胜利并非来源于偷窥了额外信息，而是来源于对问题维度的有效降维。
迁移性与训练期拓展
针对同任务家族内的泛化能力，实验表明在一个子任务上冻结的 DARC 策略具有相当强的领域迁移韧性。在 ALFWorld 从已知场景（Seen）向未见场景（Unseen）迁移时，冻结的动作守卫策略依旧斩获了 90.30% 的高解决率；在金融领域，跨抽取子任务的策略迁移同样几乎没有出现性能衰减。
更令人兴奋的是，研究团队还初步探索了将 DARC 诊断理念下沉至权重空间训练（Weight-Space Training）的可行性。基于 Qwen3-8B 模型，研究团队利用 DARC 的诊断干预轨迹构建了两阶段的数据回放与采样课程，并采用 GRPO（Group Relative Policy Optimization）强化学习算法进行全参数微调。结果显示，经过 DARC 诊断课程训练的模型，其宏观任务解决率相比基座模型提升了 4.74 个百分点。虽然这仅是一项初步的概念验证，但它揭示了一个清晰的前景：开发期诊断不仅可以作为推理阶段的外挂安全带，更能作为高质量强化学习数据采样的“编译器替代品”，帮助智能体在模型参数层面上完成内化自愈。
走向有纪律的智能体自愈设计
回顾当前智能体系统的演进路径，业界在基座模型推理能力饱和后，往往容易陷入一种粗放的工程惯性：遇到复杂交互失败，便依赖于不断向外扩展架构，外挂越来越繁复的 Agent 多轮协商框架，或向上下文塞入成倍的知识片段。
DARC 的研究给整个领域带来了一个极其清醒的范式转向：在没有编译器报错的复杂现实世界中，智能体的自愈能力不应当由 Prompt 的长度来决定，而应当由系统对故障边界的刻画精度来决定。
这项工作的真正启示在于，大模型智能体落地面临的许多所谓“推理能力不足”，其根源并不在模型参数本身，而在于缺少一套能够将模糊的业务失败转化为具象干预信号的诊断层。通过在离线阶段分析失败模式，将通用剧本剪枝为专用干预，再通过成本函数精确定型级联调用策略，系统才能在有限的算力和延迟预算内实现稳健闭环。随着未来智能体更深地切入金融、法律、工业控制等缺少确定性代码编译器的严肃业务场景，这种“先诊断、再干预，以收敛促自愈”的设计哲学，将成为构建高可靠智能体不可或缺的底层基石。