LongRCA Bench：诊断长程Agent失败中的责任角色与根因

当长程Agent执行失败时，只看结果的评测能指出任务未成功，却无法说明决定性错误在轨迹的哪个位置出现。开发者必须检查完整执行过程，识别责任角色，并定位最早的决定性根因步骤。现有失败归因基准主要关注较短轨迹，对跨越数百个记录步骤的诊断研究不足。我们提出LongRCA Bench，包含五个领域的1,140条失败轨迹，未人为注入错误；基准提供独立评分的人工标签，标注责任角色和最早的决定性根因步骤。轨迹长度中位数为145步，最强基线的精确根因步准确率仅为13.2%。我们进一步提出Root-Cause Trajectory Attribution（RCTA），一种免训练方法：从分段摘要检索候选错误步骤，并将其追溯到可获得的更早交接指令。在相同骨干模型、基准实例和评分协议下，RCTA的责任角色准确率达到51.1%，精确根因步准确率达到24.1%。这些结果说明，在长轨迹失败诊断中，应分别评估责任角色归因和精确根因步定位。