Agent Error Dataset：面向故障分析与错误感知后训练扩展至 50,000 个错误--诊断对

一次不成功的 LLM 智能体 rollout 所包含的信息多于最终奖励：智能体可获得的观察结果、它选择的行动，以及环境的响应。要将这段经历重新用于学习，需要识别出一个需要修改的决策，并测试一个具体的替代方案。我们提出 Agent Error Dataset（AED），其中包含来自文本智能体系统的 33 个环境、19 个 harness 系列和 23 个策略模型中 9,961 个源任务的 50,228 个错误--诊断对。我们保留源轨迹和执行元数据，以支持跨设置的故障分析与重新诊断，而无需重复原始 rollout。我们的五阶段 Agentic Error-to-Training（AET）流程收集自然产生的失败，生成诊断结果和拟议的修正方案，并根据记录的证据对其进行检查。在支持重放的情况下，我们在匹配的执行设置下，从同一检查点开始，将修正方案与原始行动重试进行比较。随后，我们分别构建用于诊断和智能体恢复的训练视图。在 3,062 对匹配的重放样本中，首次提出的修正方案将验证器通过率从 18.4% 提升至 51.1%，提高了 32.7 个百分点。使用单独冻结的诊断版本进行训练时，在 1,656 个源任务上进行完整诊断微调，使 Qwen3-8B 与内部教师标签的逐步精确一致率从 47.2% 提升至 63.6%；该结果是在 943 个案例的留出集上，以三个随机种子的结果取平均得到的。本次比较中最强的提示式参考方法得分为 54.7%，且随着训练集规模从小到大增加四档，平均一致率均有所提升。在对智能体训练方案进行的单随机种子比较中，行动专属修复训练在 WebShop-lite 上的得分比仅成功训练高出 6.67 个百分点。