删掉失败经验，agent 反而变强了：Sentry 想明白『攻略该什么时候看』

💡一句话总结：失败经验是「条件性知识」——不失败的时候看攻略只会分心。Sentry 把失败教训存在 agent 上下文之外，只在诊断到失败时才取出来用，且只有验证恢复成功才收录新经验，四个基准平均领先最强基线 37%。

导语：你调 agent 时最怕的那一幕

先问一个可能戳到你的问题：你的 agent 跑到第 40 步，搜索连续返回空结果，它开始原地重复同一个查询——这时候谁来救它？

调过 agent 的人对这种场景都不陌生：无效的工具调用、停不下来的死循环、推理和观察完全脱节。任务越长，中途失败越是家常便饭，真正决定成败的往往不是「每一步都对」，而是「错了之后能不能爬起来」。

社区里现有两条路。一条是上下文演进：Reflexion、ACE 这些方法把历史轨迹提炼成经验教训，下次任务开始前塞进上下文。另一条是运行时干预：AgentGuard、Wink 这些监视器盯着轨迹，发现异常就喊一嗓子。前者能学但不管时机，后者管时机但不学习——各对一半。

这篇 arXiv 2610.02994 的论文（Sentry）从一组对照实验出发，把这个僵局捅破了：失败经验常驻上下文，本身就是有害的。他们甚至发现，把 ACE 学到的失败教训从经验库里删掉，agent 成绩不降反升。听起来离谱，但数据就是这么写的。

想自己动手试？

• 📄 论文：arXiv 2610.02994
• 📖 HTML 全文：arxiv.org/html/2610.02994v1

这篇论文到底想解决什么问题？

论文的问题意识从一个具体的失败案例开始。ACE 在任务 6594 里学到了三条恢复规则——「结果不好就扩查询」「第一页没匹配就翻下一页」「结果还是不相关就精炼查询」——这些规则本身没毛病，被存进经验库，下个任务开始前注入上下文。

到了任务 4494，agent 搜「20 英寸 80 美元以下的假发」，第一条结果完美匹配。按剧本它该下单了。但那三条恢复规则还在上下文里飘着，于是 agent 决定「让我也看看第二、第三、第四条，确保没有更好的」——比较来比较去，一步没走，reward 为 0。

为什么会这样？因为「什么时候该扩查询」这类知识是条件性知识：它只在特定失败正在发生时才有用。常驻上下文的后果是 agent 每一步都要判断「这条经验现在适不适用」，而它经常判断错。实验数字更扎心：从 ACE 的经验库删掉失败教训，WebShop 奖励从 0.335 涨到 0.391，Mind2Web Replay 从 0.562 涨到 0.643——都是 held-out 任务上的成绩。

那运行时干预呢？论文也补了一刀：不管三七二十一就介入，WebShop 奖励掉到 0.136，比裸跑的 0.170 还低。图 1 把两条路线的翻车现场并排放在一起看。

图说：左 (a) ACE 的恢复规则常驻上下文，agent 找到完美匹配后仍迟迟不下单；右 (b) AgentGuard 的「页面无变化就警告」在搜索死循环时救了场，但教训没存下来，下个任务同一警告在正常选完选项后误触发，agent 弃页面而去。

于是论文把问题收敛成一句话：失败知识是条件性知识，应该被条件性地暴露——该学的时候学（像上下文演进那样跨任务积累），该露面的时候才露面（像运行时干预那样只在失败时介入）。

它的思路是什么？

Sentry 的答案可以浓缩成三条规矩，每条都对着上面一个坑：

• 🎓该学就学：失败经验跨任务积累，越攒越厚——这是从上下文演进那边借来的。
• ⏰该露才露：playbook 整体存在 agent 上下文之外（论文叫 isolation，隔离），只在诊断到匹配失败时才取最多 5 条进来——这是从运行时干预那边借来的。
• ✅验证才收录：一次修复要经过验证、确认失败真的解除了，这次的经验才准写进 playbook——这是 Sentry 自己加的把关，防止「从失败修复里学歪的经验」将来误伤。

整体怎么运转？看架构图，Sentry 是和任务 agent 并行的一层，每一步都瞄着 agent 的最近 5 个「推理-动作-观察」循环。

图说：左边是检测与路由，中间是两条修复通道，右边是经验库的验证准入。注意 playbook 始终在 agent 的持久上下文之外，每次干预只放行几条。

具体分两个通道。硬修复管无效动作：动作不符合环境要求的格式，Sentry 就把非法动作、相关轨迹和格式要求打包发给 agent，要求它只回一个修正动作——环境接受与否立见分晓，这条通道的验证是即时的、二值的。

软修复管行为层面的失败：重复动作、执行停滞、推理没有观察支撑、推理和动作对不上。检测到之后，Sentry 先生成一个诊断——失败类型、细粒度检索标签、局部证据——然后拿诊断去 playbook 里检索：先筛同失败类型的条目，再要求至少共享一个检索标签，按标签重叠度排序取前 5 条，拼进修复提示引导 agent 下一步。

这里有个值得注意的设计：playbook 为空的时候怎么办？软修复退化成只用通用修复指令，照样能干活；随着验证过的救场越攒越多，检索到的经验逐渐主导指导内容。冷启动不翻车，长大后不浪费——检索是有界的，经验库可以无限增长，但 agent 每次最多只见 5 条。

最后是准入闸门。硬修复的验证很朴素：修正动作被环境接受就算过。软修复的验证则需要一点耐心：Sentry 盯着后续 10 个循环，判断标准是「被诊断的那种失败模式停了，且 agent 恢复了基于观察的任务推进」。关键在于验证器刻意不看任务奖励——它只判断「那个失败解没解除」，不判断「任务做没做成」。这样验证器就不依赖环境的评价信号，换成你的生产环境也能用。

效果到底怎么样？

四个基准（WebShop 网购、AppWorld 有状态应用操作、SWE-bench Lite 真实仓库修 bug、Mind2Web Replay 网页操作回放），先看对运行时干预基线这组（Qwen3.5-9B，从空经验库在线积累）：

对上下文演进那组，重点看 ACE（held-out 协议：50 个任务初始化经验、50 个不相交任务考试）：Sentry 0.495 对 ACE 0.335，领先 47.8%；Mind2Web Replay 上 0.729 对 0.562，领先 29.7%。更有意思的是 ACE + Sentry 组合——0.555 和 0.789，全场最佳。任务级知识和失败级知识是互补的，不是二选一。

再看重振士气的因果证据：200 个软修复干预点上做配对分叉实验，同一 agent 状态一边接受干预一边裸跑，局部恢复率从 33.5% 拉到 60.5%；200 对里 74 胜 101 平 25 负。人类标注员对 Sentry「该不该干预」的判断一致率 86.0%，对「恢复成功没」的一致率 81.8%——机器的自觉没那么玄，但确实和人的判断对得上。

消融实验里最值钱的一个组件有点意外：「要不要介入」的检查。把它去掉、变成有疑点就出手，平均掉 54.7%——比去掉软修复（-41.9%）还伤。选择性介入这个看起来朴素的开关，恰恰是价值最高的部分。这和导语里「无差别干预掉到 0.136」的观察完全对上了。

还有一组实验值得单独说：同一份冻结的经验库、同一套修复机制，唯一区别是要不要把完整 playbook 常驻 agent 的背景上下文。常驻版 WebShop 从 0.364 掉到 0.296。同一份知识，全量塞进去就掉分，失败触发检索就涨分——论文标题里那个原则，被这一组对照钉得死死的。

为什么你要关心？

如果你在做 agent 应用，这篇论文有三条可以直接搬走的东西。

• 别再把教训写进 system prompt 让它全程在场。很多团队的惯性做法是把踩过的坑总结成规则、塞进提示词或长期记忆。这篇论文的证据说明：这些规则在没有对应失败的场景里是负资产。教训该放进一个「按需取用」的库，而不是「常驻」的上下文。
• 给 agent 配一个解耦的失败监视层，性价比极高。Sentry 的架构位——检测、路由、检索、验证——不碰 agent 本体、不改模型、不看任务奖励，四件事全部可以外挂。你的生产 agent 大概率也能在不重构的前提下加上这一层。
• 经验库的准入门槛应该绑「验证过的成功」，不是「经历过的失败」。没有验证准入，失败修复里的歪经验会污染库、将来误触发。这个原则同样适用于你自己的 RAG 记忆系统或多 agent 协作经验池。

再往远看一步：agent 跑得越长、记忆攒得越多，「知识怎么进上下文」这个问题只会越来越重要。论文作者的理由很直接——毛病出在知识进入上下文的方式上，而不是某个模型的弱点，所以记忆越长、任务越久，这个问题只会放大，不会自己消失。

理性看待

几处需要保持清醒的地方。实验模型是 Qwen3.5-9B 和 GPT-OSS-120B，旗舰闭源模型上是否同样成立还未验证；检测器、验证器和任务 agent 用的是同一个模型，虽然人类一致率不低，但「自己验证自己」的系统性偏差没有被完全排除。另外「对 ACE 领先 39%」的口径只在两个 web 基准上成立，SWE-bench Lite 和 AppWorld 没有上下文演进对比，引述时别把数字用大了。论文也没放开源仓库，Mind2Web Replay 是作者自己改造的协议，想复现得按附录的提示词模板重写一遍。