修复放大器而非症状：Agent rollout的稳定世界模型校正

长程语言智能体日益维护以规划图形式存在的可执行世界模型——工具调用、验证器、记忆更新、恢复分支与最终答案由类型化依赖连接。当rollout失败时——修复最显眼的错误可能让底层的错误放大路径原封不动——而重放完整图昂贵且长上下文模型难以可靠使用。我们研究世界模型修正：选择失败规划图的紧凑子图——其修复能稳定后续rollout。我们首先实例化一族强工程修正器——包括逐点错误扫描、TopK与窗口选择、局部图扩展、级联修复与全上下文LLM修复。然后我们提出WM-SAR——谱子图修复方法：估计节点-边放大——经边际残差谱增益贪心生长连通修复区域——仅将该区域交给LLM做根因修复。理论上——我们将残差谱半径与rollout误差及规划遗憾联系起来——将修复动机化为稳定化而非仅归因。跨合成调用树图、基准启发的智能体拓扑与跨模型LLM修复实验——WM-SAR在紧凑token预算下取得更强的长程稳定与根因恢复——以小得多的修复上下文匹配大上下文——同时让LLM面对更干净的因果子图。