研究问题

长链决策中的节点和依赖边会传播错误。只修正可见症状可能留下根因;整图重放又昂贵。ReCore 将目标定义为定位并修正引发持续错误放大的紧凑核心,同时保留其余图。

方法

正文比较单错误、TopK、时间窗、邻域扩展、级联感知和整图修复,再通过耦合节点—边错误传播选择连通修复核心,只向 LLM 暴露该区域进行诊断和修改,并给出长期 regret 的理论讨论。

实验证据

本轮重点阅读 v3 的定义、修复策略和实验:核心场景是合成 Agent Calling-Tree 图与 Who&When 归因基准。作者报告接近整图恢复且降低成功修复所需 token;本库没有复跑,也不将最优倍数泛化到 AppWorld。

对新选题的直接约束

“局部子图修复”“错误传播核心定位”“保留未受影响部分”本身都已被覆盖。若继续,应证明真实工具状态与不可逆副作用带来了既有错误模型没有处理的问题,并加入 ReCore 或可比实现,而不是只对照 ReAct。

待核查的差异

外部真实状态与图内错误信号如何对应?初次修复后环境是否已经发生无法回滚的写入?图内恢复是否保证外部状态正确?这些是后续问题,不是本文被证伪的结论。

关联阅读

按需分解;过程与状态检查;检查点恢复和语义修复的区别。

原始来源与阅读范围

Xinyuan Song, Zekun Cai / arXiv · 2026-07-02。本轮范围:正文重点阅读;采集日期:2026-11-16。来源陈述与本库提出的实验设想在正文中分别说明。