TRACE：面向自动化上下文工程的轨迹归因

当上下文来源——系统提示词、知识库、工具描述和程序性技能——包含错误或缺口时，生产环境中的 AI 智能体会失效。当前的维护依赖人工日志审查和临时调试，随着交互量增长形成可扩展性瓶颈。我们提出 TRACE（TRajectory Attribution for Automated Context Engineering），一个自动化反馈回路，通过挖掘历史智能体轨迹来诊断并修复上下文故障。我们的关键洞察是：轨迹中蕴含丰富的隐式不满信号——用户纠正、重新表述、放弃线索——能够精确揭示上下文来源在哪里失效，而无需显式收集反馈。与模型微调不同，TRACE 作用于上下文层，无需重新训练即可快速迭代。我们做出四项贡献：(1) 一个从历史智能体执行中系统性提取诊断信息的轨迹挖掘框架；(2) 多组件因果归因，将文本梯度从单一提示词优化扩展到异构上下文来源（技能、知识库、工具、提示词）；(3) 探索性验证，由智能体主动阅读上下文来源以区分需要 CREATE 的内容缺口和需要 UPDATE 的过时内容，达到 96% 的操作准确率；(4) 可复用的仿真方法和可验证的基准，填补上下文调试缺乏开放数据集的空白，包含六类故障分类法、真值标注和跨层验证协议。在跨越三个复杂度层级（最多 16 个执行节点）的 60 条不满轨迹上，TRACE 实现 72.7% 的根因归因和 82% 的端到端修复有效性，表明超过 80% 的上下文层故障可以通过挖掘历史轨迹自动诊断和修复——历史轨迹是生产系统中一种被忽视的资源。