FAMA：面向交互式工具使用环境中开源 LLM 的失败感知 Meta-Agentic 框架

Large Language Models 正越来越多地被部署为 autonomous agents 的决策核心，使其能够对外部环境产生影响。然而，在模拟真实世界以客户为中心的问题解决场景的 conversational benchmarks 中，这些 agents 经常因错误决策的级联效应而失败。这些挑战在参数规模较小、context window 有限、inference budget 受限的 open-source LLMs 中尤为明显，因为这些因素会导致 agentic 场景中的错误累积加剧。

为应对这些挑战，我们提出 Failure-Aware Meta-Agentic（FAMA）框架。FAMA 分两个阶段运行：首先，它分析 baseline agents 的失败轨迹，以识别最常见的错误；其次，它采用一种 orchestration 机制，激活最小子集的 specialized agents，这些 agents 专门针对这些失败进行处理，并在决策步骤之前为 tool-use agent 注入有针对性的 context。

在多个 open-source LLMs 上的实验表明，相较于标准 baselines，FAMA 在不同评估模式下的性能提升最高可达 27%。这些结果表明，通过 specialized agents 对 context 进行有针对性的整理，以应对常见失败，是构建可靠的多轮 tool-use LLM agents 的一项有价值的设计原则，可用于模拟真实世界的对话场景。