一次读出，多次修复：工具Agent修复的扩散引导分层搜索

工具Agent使用大语言模型通过外部工具进行操作，但成功执行的调用仍然可能无法满足用户请求。工具Agent修复寻求成功执行并满足原始请求的替代调用序列。然而，修复需要探索操作选择及其具体实现，使得全序列再生成本高昂。此外，即使当这些操作的实现方式出现故障时，再生也会重复操作选择。由此产生的挑战是减少这种重复，同时保留对替代操作和实现的探索。因此，我们将修复制定为操作支持的分层搜索，我们将其引入为允许的操作类型集，这些操作类型为具体的工具调用序列定义可重用的搜索区域。我们提出了 ReCommit，这是一种免训练、扩散引导的框架，用于改进工具Agent故障恢复，同时减少修复计算。 ReCommit 通过重用来自屏蔽扩散语言模型的单个并行读出的操作类型分数，在修复试验中摊销操作级建议计算。这些分数指导跨支持的搜索，而实现搜索则探索每个支持内的替代实体绑定、参数和操作组合。 Agent-Diff 基准测试中四种企业服务的实际故障实验显示，与最强评估的 8B 比较方法相比，在修复预算 $B=3$ 和 $B=13$ 时，相对恢复增益分别为 75.9\% 和 63.2\%，平均全预算修复时间分别减少了 61.3\% 和 51.3\%。 ReCommit 实现了良好的回收成本权衡，包括与评估的 32B 模型进行比较。