研究人员推出了 STRACE（Structural TRajectory Analysis and Causal Extraction），这是一个旨在通过从执行轨迹构建高信噪比上下文来优化长周期智能体的框架。该方法通过在批次级别挖掘失败模式来过滤冗余，从而解决冗余和异构数据的低效问题。

  • 在批次级别，STRACE 挖掘失败模式以过滤冗余轨迹并保留代表性失败案例。
  • 在选定的轨迹内部，它在文本依赖图上执行因果定位，以移除非因果步骤并识别真正的根因模块。
  • 在 VeruSAGE-Bench 形式化验证任务上，STRACE 将成功率从 42.5% 提升至 58.5%，相比人类专家设计的智能体提升了 1.4 倍。

该框架通过提供精确的优化信号而不丢弃因果上重要的证据，显著优于标准的上下文过滤基线。