研究人员提出了 OAT，这是一种用于基于 LLM 的智能体系统中无监督故障归因的轻量级模型，仅使用成功轨迹进行训练。通过将问题建模为带有神经控制微分方程的单类学习，OAT 在推理时根据其偏离已学习动态的程度来识别错误步骤。
- 仅在无需步骤级监督的情况下使用 100 条成功轨迹进行训练。
- 基于潜在空间中的偏差为故障轨迹的步骤分配异常分数。
- 在域内和分布外场景下，F1 分数分别比基于提示的基线方法提高了 +20% 和 +7%。
- 运行速度比现有的基于提示的方法快 200–5000 倍。
OAT 通过消除对昂贵错误注释的需求，为诊断智能体系统故障提供了一种有前景且高效的途径。