从噪声痕迹到根本原因：用于代理优化的结构轨迹分析和因果提取

长视野代理的优化越来越依赖于基于反射的机制，其中 大语言模型 (LLM) 充当优化器来诊断代理故障并改进代理策略。然而，真实的执行跟踪很难直接用于优化：大型跟踪集合通常是冗余和异构的，使得优化效率低下，并且容易过度拟合低值故障；同时，每个单独的轨迹还包含许多不相关的步骤，而截断或滑动窗口等朴素的上下文缩减方法可能会丢弃因果上重要的证据并产生误导性的优化信号。为了解决这个困境，我们引入了 STRACE（结构轨迹分析和因果提取），这是一个构建高信噪比优化上下文以实现更精确和有效优化的框架。在批次级别，STRACE挖掘故障模式以过滤冗余痕迹并保留代表性故障；在每个选定的跟踪中，它对文本依赖图执行因果定位，以删除非因果步骤并识别真正的根本原因模块以进行优化。实证结果表明 STRACE 显着优于标准上下文过滤基线。值得注意的是，在一项具有挑战性的形式验证任务 (VeruSAGE-Bench) 上，它成功优化了人类专家设计的代理，实现了 1.4倍的成功率提升（42.5% 至 58.5%）。该代码可在 https://github.com/moomight/STRACE 获取。