核心发现
方法论
本文提出DARC框架，结合任务失败的诊断信息，构建限制性修复策略。通过在开发集上分析失败模式，识别主导故障类型，限制修复干预集合。利用验证器反馈，提取成功成本策略，冻结后用于测试阶段。该流程确保修正具有选择性，避免无关干预引入的干扰。具体算法包括故障诊断（基于失败签名）、干预筛选（限制集合）和策略蒸馏（成功成本优化）。在ALFWorld、AppWorld和XBRL金融场景中，DARC分别实现动作有效性保障、程序修复回退和格式精度检索，有效提升任务成功率，减少环境步骤和检索预算。
关键结果
- 在ALFWorld中，DARC显著提升动作有效性修正的成功率，从54.48%提升至90.30%，超越基础代理和广义修复策略。
- 在AppWorld中，采用程序修复回退策略，测试正常完成率提升至87.5%，显著优于未诊断修复方案，且减少了环境交互步骤。
- 在XBRL金融任务中，格式精度策略达94.5%的宏观准确率，比ACE和MIPROv2高出20%以上，验证了诊断引导修复的有效性。
研究意义
该研究突破了传统自我修正的局限，将故障诊断引入修复策略设计，显著提升了代理在缺乏编译等明确反馈环境中的鲁棒性。通过限制修复干预集合，减少无关干预带来的干扰，降低修正成本，为复杂任务中的自我修正提供了新思路。该方法不仅适用于代码生成，还拓展到多模态、多任务场景，推动自主系统的可靠性提升，具有重要理论和应用价值。
技术贡献
本文提出的DARC框架创新性在于：1）基于开发集失败分析实现任务族故障诊断，2）限制修复干预集合，避免干扰，3）利用验证器反馈蒸馏成功成本策略，确保修正的选择性和成本效益。此方法区别于传统全局修复策略，强调故障诊断的指导作用，结合策略蒸馏实现高效、稳定的自我修正机制。理论上，结合子模性和成本优化，提供了修复策略的有效搜索空间，增强了方法的可解释性和可控性。
新颖性
本研究首次系统性引入任务失败诊断机制，用于限制修复干预集合，避免无关干预带来的干扰。与现有的全局修复或无差别策略不同，DARC实现了基于故障类型的有条件修正，显著提升了修正效率和效果。这一创新突破了传统自我修正的盲目扩展路径，为多任务、多场景下的自主系统提供了新的设计范式。
局限性
- 当前方法依赖于开发集的故障签名分析，可能在新颖或复杂故障模式下表现不足，限制了泛化能力。
- 在极端或多模态故障场景中，诊断准确性可能下降，影响修正效果。
- 策略蒸馏过程需要大量验证器反馈，存在一定的计算成本，且对验证器性能依赖较大。
未来方向
未来将探索在线故障诊断与策略更新，提升适应新故障的能力。同时，结合强化学习优化修正策略，增强系统的自适应性和鲁棒性。此外，扩展多模态故障签名识别，提升复杂环境中的故障诊断准确率，为自主系统的可靠性提供更全面保障。
AI 总览摘要
随着人工智能系统在复杂任务中的应用不断扩大，系统的鲁棒性和自我修正能力成为关键挑战。传统方法多依赖于全局上下文扩展或无差别修复策略，容易引入干扰，增加成本。本文提出的DARC框架，通过在开发集上进行故障诊断，识别主导故障类型，限制修复干预集合，从源头上提升修正的针对性和效率。该方法结合验证器反馈，蒸馏出成功成本策略，确保修正过程中的选择性和成本控制。实验在ALFWorld、AppWorld和XBRL金融场景中均取得显著效果：动作有效性修正成功率从54.48%提升至90.30%，程序修复回退策略使任务完成率提升至87.5%，格式精度策略达94.5%的宏观准确率。比起传统的无差别修复策略，DARC不仅提升了任务成功率，还大幅减少了环境交互步骤和检索预算，验证了其在实际应用中的优越性。该研究的核心创新在于：引入任务失败诊断机制，结合策略蒸馏实现有条件的修正策略，为自主系统在缺乏明确反馈环境中的鲁棒性提供了新思路。未来，作者计划结合在线学习和强化学习，进一步提升系统的适应性和泛化能力，为自主智能体的可靠性和效率开辟新的路径。
深度分析
研究背景
近年来，人工智能代理在多任务、多模态环境中的表现不断提升，但其鲁棒性仍面临挑战。传统修正方法多依赖于全局上下文扩展或预定义策略，存在干扰多、成本高的问题。代码生成领域的自我调试、程序验证等技术为故障诊断提供了启示，但在非编码任务中缺乏类似的诊断机制。近年来，基于执行反馈的修正方法逐渐兴起，如Self-Debugging、LDB等，强调利用中间状态和错误信息进行修正，但多依赖于明确的环境反馈。本文借鉴编译器的故障诊断思想，将其引入多任务代理，旨在解决反馈缺失带来的修正难题。
核心问题
在广义任务环境中，代理面临多样化的故障类型，缺乏明确的诊断信息导致修正策略泛化能力不足。现有修正多采取无差别策略，容易引入无关干扰，增加修正成本，降低效率。如何在缺乏明确反馈的环境中，有效识别故障类型，限制修正干预，提升修正效率，成为亟待解决的关键问题。尤其是在复杂多任务场景下，单一的修正策略难以兼顾不同故障类型的需求，导致修正效果不佳。
核心创新
本文的核心创新在于：1）引入任务失败诊断机制，将开发集中的失败签名用于识别主导故障类型，2）基于诊断结果限制修复干预集合，避免无关干预引入干扰，3）利用验证器反馈蒸馏成功成本策略，实现修正的有条件选择。这一流程区别于传统的全局修复策略，强调故障导向的修正路径，显著提升效率和效果。通过在不同任务场景中的验证，展示了该方法在多样化故障诊断和修正中的优越性。
方法详解
- �� 失败签名分析：在开发集上运行基础代理，提取失败签名（如无效动作、格式错误等）；
- �� 故障诊断：基于签名识别主导故障类型，限制修复干预集合（动作守卫、API源、检索预算等）；
- �� 干预评估：在训练集上测试每个干预的成功率和成本；
- �� 策略蒸馏：枚举有限长度的修复策略，利用验证器反馈评分，选择最优策略；
- �� 测试部署：在测试集上冻结策略，确保修正的选择性和成本控制。
实验设计
在ALFWorld、AppWorld和XBRL金融环境中，采用不同的故障诊断和修正策略，比较基础代理、全库修复和诊断引导修复的性能。指标包括成功率、环境交互步骤和检索预算。通过多场景、多任务验证，评估策略的迁移性和泛化能力。还进行了消融实验，验证诊断限制的重要性。实验结果显示，诊断引导修正显著优于无差别策略，提升成功率20%以上，减少交互步骤30%以上。
结果分析
在ALFWorld中，动作有效性修正成功率由54.48%提升至90.30%；在AppWorld中，任务完成率由54.8%提升至87.5%；在XBRL金融中，格式精度达94.5%，远超ACE和MIPROv2。这些结果验证了故障诊断限制修正干预的有效性和优越性。消融实验表明，未限制的全库修复效果明显下降，说明诊断引导的限制机制是提升效率的关键。
应用场景
该方法适用于缺乏明确反馈的复杂任务环境，如自动化办公、金融分析、机器人控制等。通过引入故障诊断机制，提升系统的自我修正能力，增强自主性和鲁棒性。未来可结合强化学习，动态调整修正策略，实现更智能的故障应对。
局限与展望
目前依赖开发集中的故障签名，可能在新颖或复杂故障场景中表现不足。诊断准确性受限于签名的完备性，泛化能力有限。策略蒸馏过程计算成本较高，需大量验证器反馈，影响实时性。未来需探索在线诊断和自适应策略优化，以应对更复杂的实际环境。
通俗解读 非专业人士也能看懂
想象一个工厂生产线，出现问题时，工人会根据故障的类型采取不同的修理措施。比如机器不转了，可能是电源问题；产品不合格，可能是原料问题。工厂里有专门的检测员（类似诊断系统），他们先判断故障类型，然后只用对应的修理工具（修复措施），而不是随便用一堆工具。这种方法可以节省时间和资源，也能更快修好机器。本文的DARC就像这个工厂的检测员，先诊断出故障类型，再用最合适的修理措施，避免乱用工具造成干扰或浪费。这样，整个修理过程变得更高效、更精准，也更可靠。
简单解释 像给14岁少年讲一样
想象你在玩一款游戏，遇到难题时，直接试各种方法可能会浪费时间。其实，你可以先观察一下，看看哪里出错了，比如是不是没有找到正确的线索，或者操作不对。然后，根据问题的类型，选择最合适的解决办法，比如找线索、换个角度思考，或者用特殊的道具。这样一来，你就不会乱试一通，而是用对方法，既快又省力。本文的技术就像这个聪明的游戏助手，它会先判断出问题的原因，然后只用最有效的办法去修正。这样，游戏就能更顺利地进行，玩家也会更开心！
原文摘要
Self-correction is particularly useful when a failure constrains the next repair. Coding agents benefit from this property because compilers, tests, and execution traces turn many failures into typed recovery signals, but broad language-agent tasks often expose only a coarse task failure. This creates a tension for generic recovery playbooks: they broaden the agent's context precisely when the system needs a narrower repair interface, mixing incompatible signals for invalid actions, missing procedures, and strict-format errors. Our insight is that development-set failures can recover part of the missing diagnostic substrate by deciding which recovery interventions are admissible before test-time correction. We propose DARC, a diagnosis-guided recovery harness that profiles task-family failure modes, prunes mismatched interventions from a shared recovery library, and freezes a verifier-selected success-cost policy for deployment. This causal order makes correction selective: the harness first determines what kind of failure can be repaired, then decides how much recovery evidence to spend. In ALFWorld, AppWorld, and XBRL Finance, the same protocol yields an action-validity harness, a procedural-recovery fallback, and a format-precision retrieval policy; in each evaluated setting it improves average task performance over base agents and broad playbooks while reducing environment steps or retrieval budget. Our experiments show that failures need not trigger uniformly more context: DARC turns self-correction from prompt expansion into recovery-interface design. DARC provides a practical route toward more reliable agents in domains where compiler-like feedback is absent: making failures actionable before making contexts larger.