研究综述：LLM 智能体存在六大系统性失败模式

一项发表于 arXiv 的综述论文对大型语言模型（LLM）智能体的失败模式进行了系统梳理，整合了 2023–2026 年间 27 篇基准测试、分类法与审计研究，覆盖 19 个独立基准，首次将工具使用、规划、长程推理、多智能体协调、安全性与测量有效性等维度的证据纳入统一的失败分类框架。该研究指出，当前主流基准排行榜上的得分提升，往往掩盖了不同评估工作中反复出现的失败模式。

六大失败聚类

研究者通过迭代归纳，将分散在不同文献中的错误类别归并为六个聚类，对应智能体从推理到行动的不同阶段：

工具调用与参数级错误：智能体在选择工具或填充参数时出错。
规划与约束满足失败：多步任务规划不完整或违反硬性约束。
长程退化：随上下文累积，性能在长任务中下降。
多智能体协调失败：多智能体间的通信与任务分配出现断裂。
安全与安全失效：在对抗性或欠指定条件下出现越权与泄露。
测量有效性问题：基准本身设计存在偏差，难以真实反映能力。

跨研究的共性发现

综述在跨文献分析中得出三点关键观察：第一，失败随任务长度呈非线性复合增长，单点错误在长链中迅速放大；第二，智能体在子任务上的强表现并不稳定地转化为端到端任务的整体成功；第三，增加脚手架（如更复杂的提示或额外模块）并不能一致地提升可靠性。这些发现对「刷榜即进步」的评估范式提出了质疑。

单点能力的真实进展

综述同时肯定了若干领域的实质进步：单轮工具使用、短期网页导航以及范围明确的编码任务上，LLM 智能体已展现出可衡量的能力提升。换言之，智能体在「窄而短」的场景中表现尚可，但在「宽而长」的复杂任务中仍存在系统性短板。

对研究与工程实践的启示

该分类法为后续研究提供了统一参照系。研究者在设计新基准时，可对照六类失败聚类检查覆盖度；工程师在部署智能体时，应警惕长程任务中的误差累积效应，而非仅依赖子任务指标。下一步工作需要在测量有效性、安全边界与多智能体协调等仍显薄弱的维度上补充更多实证数据。