可恢复性具有规律：面向工具增强型智能体的 ERR 测度
机器学习
2026-02-02 v1 人工智能
摘要
语言模型智能体常常表现出在失败工具调用后能够自我恢复的能力，但这种行为缺乏形式化的解释。我们提出一种预测理论，以解决这一问题，证明可恢复性遵循可衡量的规律。为此，我们通过 Expected Recovery Regret (ERR) 形式化可恢复性，该度量衡量了在随机执行噪声下的恢复策略与最优策略之间的偏差，并推导出 ERR 与经验可观测量——效率得分 (ES) 之间的一阶关系。这导致了可验证的恢复动态的第一定量规律。我们在五个工具使用基准测试中进行经验验证，涵盖受控扰动、诊断推理和真实世界 API。在不同模型规模、扰动范围和恢复时域下，ERR-ES 规律下的预测后悔与从蒙特卡罗滚动中测得的观察后悔非常吻合，误差小于或等于 0.05。我们的结果表明，可恢复性并非来自模型规模或架构本身，而是交互动力学的可控制属性，为语言智能体的执行层面鲁棒性提供了理论基础。
引用
@article{arxiv.2601.22352,
title = {Recoverability Has a Law: The ERR Measure for Tool-Augmented Agents},
author = {Sri Vatsa Vuddanti and Satwik Kumar Chittiprolu},
journal= {arXiv preprint arXiv:2601.22352},
year = {2026}
}
备注
Preprint for ICML Submission