【智能体测评-02】Agent失败分类学：智能体是怎么把事情搞砸的

为什么需要失败分类学

如果你问一个工程师“你的 Agent 为什么失败了”，最常听到的回答是：

“它幻觉了。”

这个回答几乎没有信息量。幻觉是一个筐，什么都能往里装——它可能是没看懂页面、可能是选错了工具、可能是忘了用户三句话前说的约束、可能是在死循环里转到 token 耗尽然后编了个答案。这些失败的根因完全不同，对应的修复手段也完全不同。

一个无法区分失败类型的团队，无法系统性地改进 Agent。 每次失败都是一个孤立的“case”，修了这个，下一个还会以不同的方式出现。

失败分类学要做的事情很简单：给每一种失败一个明确的名字、一个可识别的特征、一个可归属的能力维度。这样当 Agent 把事情搞砸时，你不是笼统地说“它不行”，而是能精确地说“它在第三步发生了工具参数幻觉，第七步触发了目标漂移，反思层完全没有捕获到这两个错误”。

这套分类体系不是从论文里抄来的，是从大量真实 Agent 轨迹中归纳出来的。我们按照上一篇提出的六维模型（感知、规划、工具、记忆、执行、反思）来组织，每个维度列出最典型的失败模式。

感知层失败

感知是 Agent 接收和理解环境信息的入口。感知失败意味着 Agent “看到了”但“没看懂”。

1. 页面/结构误读

Agent 拿到了网页内容或 API 返回，但对结构的理解是错的。

典型表现：把导航栏的链接当成主要内容、把折叠区域的隐藏文本当成当前可见内容、把表格的列头和数据行对调、在 SPA 页面上读取了未渲染完成的 DOM。

一个真实案例：一个订机票的 Agent 读取航班列表页，把“经停”标签当成了“直达”，因为这两个标签在 DOM 里共用一个 class，只是子图标不同。Agent 看到了 class 名却没看到图标差异。

识别特征：Agent 的后续行动基于一个对环境状态的错误断言，而该断言在原始上下文中可以找到正确信息。

2. 关键信息遗漏

环境中存在解题所需的信息，但 Agent 没有注意到或没有提取。

和“误读”不同，误读是读错了，遗漏是根本没读到。常见于长文档、密集表格、需要滚动才能看到的页面区域。Agent 处理上下文窗口时存在“中间丢失”现象（lost in the middle），位于长上下文中间的关键信息容易被忽略。

典型表现：用户明确说了“不要选国航”，Agent 在总结航班选项时完全忽略了这个约束；页面底部有一行小字“此价格不含行李额”，Agent 基于表面价格推荐了机票。

识别特征：Agent 的行动或输出中缺失了一个在输入中明确存在的约束/条件/数据点。

3. 多模态感知失败

当输入包含图片、截图、图表时，Agent 的视觉理解能力不足。

典型表现：看不懂截图中哪个按钮是可点击的、误读图表中的坐标轴、无法从仪表盘截图中提取关键数值、把图标当文字处理。即使是 GPT-4o 这类强多模态模型，在复杂 UI 截图上的元素识别准确率也远谈不上可靠。

识别特征：在多模态输入存在时出现的理解错误，且纯文本版本不会发生。

4. 时效性误判

Agent 没有意识到它获取到的信息是过时的、缓存的、或者不适用于当前时间。

典型表现：搜索结果是 2023 年的教程，Agent 按教程操作了一个已经改版的界面；API 返回的数据是昨天的快照，Agent 当成实时数据使用。

识别特征：Agent 使用了时间上不正确的信息，且上下文中存在时间线索（日期戳、版本号、“last updated”标记）但被忽略。

规划层失败

规划决定“做什么”和“先做什么”。规划失败是方向性的错误——Agent 在很努力地做一件不该做的事。

5. 任务拆解错误

把一个复杂目标拆成了错误的子任务序列：漏掉了必要步骤、加入了无关步骤、或者步骤之间的依赖关系搞错了。

典型表现：要“对比 A 和 B 并生成报告”，Agent 只查了 A 就开始写报告；要“先备份再删除”，Agent 直接删除了；要“按价格排序”，Agent 按评分排了。

识别特征：Agent 执行的步骤序列与合理的任务分解存在结构性差异，不是执行中的小偏差。

6. 目标漂移

执行过程中，Agent 逐渐偏离了原始目标，去解决一个“看起来相关但不是用户要的”问题。

这是最隐蔽的失败模式之一，因为 Agent 在子任务上可能做得很好，但整体方向已经偏了。用户要“帮我找深圳南山区 3000 元以下的合租”，Agent 在搜索过程中发现“南山区合租普遍 4000+”，于是自动把范围扩大到了宝安区，最后推荐了一堆宝安的房子。它很“聪明”，但没有完成原始任务。

目标漂移经常和“过度自主”有关——Agent 太想帮上忙了，遇到障碍就自行调整目标，而不是停下来确认。

识别特征：最终输出与用户原始目标不一致，但 Agent 的每一步行动在它自己的子目标下都是“合理”的。

7. 死循环与无意义重复

Agent 在几个状态之间反复循环，不断重复相同或高度相似的动作，没有进展也不退出。

典型表现：反复点击同一个按钮、反复搜索同一个关键词、反复读取同一个页面、在“尝试→失败→重试”之间打转。死循环通常在 token 或步数达到上限时才被动终止，此时 Agent 可能已经浪费了大量资源。

死循环的根因往往不是单一的：可能是规划层没有检测到进展停滞，也可能是反思层没有识别出重复模式，也可能是执行层的重试逻辑没有退避策略。

识别特征：连续 3 步以上执行语义等价的动作，且环境状态没有实质变化。

8. 过早放弃

遇到第一个障碍就放弃任务，告诉用户“做不到”，但实际上存在替代路径。

典型表现：某个 API 超时了，Agent 直接返回“无法完成”，而不是尝试其他 API 或换一种搜索策略；页面上某个按钮点不动，Agent 就放弃了整个流程，而不是尝试其他导航路径。

过早放弃和“诚实承认能力边界”之间有一条微妙的线。好的 Agent 知道什么真的做不到，差的 Agent 把一切不顺利都当成“做不到”。

识别特征：在存在未尝试的替代路径时终止任务并报告失败。

9. 条件分支缺失

任务中存在需要根据中间结果做决策的分支点，但 Agent 的规划是线性的，没有处理条件分支。

典型表现：用户说“如果 A 有货就买 A，否则买 B”，Agent 查完 A 之后不管有没有货都买了 A；用户说“价格低于 100 就直接下单，高于 100 先通知我”，Agent 不管价格多少都直接下单了。

识别特征：输出中缺少对条件的判断逻辑，或在条件不满足时仍执行了条件为真时的动作。

工具层失败

工具是 Agent 作用于环境的手。工具失败不是“工具本身坏了”（那是基础设施问题），而是 Agent 在选择和使用工具时犯的错。

10. 工具选择错误

在需要用 A 工具的时候用了 B 工具，或者在需要工具的时候没有调用任何工具。

典型表现：需要实时数据时不调用搜索，靠参数知识“编”答案；需要精确计算时不调用计算器，自己心算算错；需要浏览器操作时只用了搜索 API，拿到的是摘要而非完整页面。

识别特征：Agent 调用的工具与任务需求不匹配，或在需要外部信息/行动时未调用工具。

11. 参数构造错误

选对了工具，但传错了参数。这是 Agent 最频发的错误类型之一。

典型表现：把日期写成了“2026-13-45”、把用户 ID 传到了订单 ID 的字段里、搜索关键词构造得完全无法命中目标结果、API 必填参数漏传。参数错误有时会被工具的校验拦截并返回报错（这时要看 Agent 能不能从报错中恢复），有时不会被拦截，直接产生错误结果。

识别特征：工具调用的参数值在类型、格式、范围或语义上不正确。

12. 返回结果误读

工具成功返回了结果，但 Agent 对结果的解读是错的。

典型表现：搜索 API 返回了 10 条结果，Agent 只看了第一条就下结论；API 返回了错误信息但 Agent 当成了成功响应；返回的 JSON 中某个字段含义是“剩余数量”，Agent 理解成了“总数量”。

识别特征：工具返回数据正确，但 Agent 基于这些数据采取的行动或得出的结论与数据含义不符。

13. 工具失败恢复失败

工具调用失败了（超时、限流、参数错误、服务端错误），Agent 没有正确地恢复。

恢复失败有几种亚型：(a) 不重试直接放弃；(b) 用完全相同的参数无限重试；(c) 报错信息已经告诉它“参数 X 格式不对”，它重试时还是同一个格式；(d) 换了一个工具但新工具和任务无关。

好的恢复应该是：读懂错误信息→判断错误类型→调整参数或换工具→有限次重试→仍失败则诚实报告。

识别特征：工具返回错误后，Agent 的后续行动没有体现对错误信息的利用。

14. 幻觉工具

Agent 调用了一个不存在的工具或 API。

典型表现：编造了一个 search_flights_direct() 函数并尝试调用；使用了某个平台“应该有”但实际不存在的 API 端点；调用了已废弃版本的接口。这类错误在 function calling 模式下较少（可用工具列表是受限的），但在 ReAct 或自由格式的 Agent 中仍然常见。

识别特征：调用的工具名称或端点不在可用工具列表中。

记忆层失败

记忆让 Agent 在多步任务中保持连贯。记忆失败让 Agent 像一个金鱼脑的同事——刚说过的话转头就忘。

15. 短期记忆丢失

在同一个任务的执行过程中，之前步骤获取的信息或做出的决策在后续步骤中丢失。

典型表现：第三步搜索到的候选列表，到第八步开始推荐时已经忘了列表里有什么；用户在第二轮对话中给出的约束，Agent 在第五轮完全无视了。这通常和上下文窗口管理有关——当对话或轨迹变长，早期信息被截断或“稀释”。

识别特征：Agent 的行动与同一任务中早前已确认的信息或决策矛盾。

16. 长期记忆缺失

跨任务/跨会话的用户偏好和历史信息没有被保留和利用。

典型表现：用户每次都要重新说明“我是素食者”“我住深圳”“我喜欢靠窗的座位”；Agent 重复推荐用户上次明确拒绝过的选项。这在无状态的 Agent 架构中是必然的问题——模型本身没有跨会话记忆，需要外部记忆系统补充。

识别特征：在已有历史信息可用的情况下，Agent 仍然要求用户重复提供或违反已知偏好。

17. 记忆污染

错误的或过时的信息被写入记忆，并在后续任务中持续产生负面影响。

典型表现：用户某次临时改了目的地，Agent 把这个临时偏好记住了，以后每次都推荐那个目的地；一次实验性的对话中 Agent 错误地总结了用户偏好，这个错误总结被存入长期记忆反复使用。

记忆污染比记忆缺失更危险——缺失只是“不知道”，污染是“坚信错误的东西”。

识别特征：Agent 持续基于一条不正确的“已知信息”做决策，且该信息来源于过去某次交互中的错误。

18. 上下文窗口管理失败

Agent 或其框架在处理长轨迹时，对上下文的截断、压缩、摘要策略不当，导致关键信息丢失。

典型表现：摘要时把用户的核心约束“不要经停航班”摘要掉了；截断时保留了工具的原始 JSON 返回（几百 token），却截掉了用户的原始需求；把多轮对话压缩成一段摘要后，条件分支逻辑丢失了。

识别特征：在长任务（超过一定步数/token 量）后出现信息丢失，且短任务中不出现。

执行层失败

执行是把计划变成具体动作的环节。执行失败通常很“低级”，但非常致命——就像一个人想对了所有事但手滑按错了按钮。

19. 动作生成错误

Agent 生成的具体动作（代码、API 调用、UI 操作）存在语法或逻辑错误，无法执行。

典型表现：生成的 Python 代码有语法错误、SQL 查询拼错了字段名、UI 自动化指令点了错误的坐标、JSON 格式不合法。这类错误在“模型生成代码→执行”的 Agent 中尤为常见。

识别特征：动作在执行时被运行时/解析器报错，或因格式问题未能发出。

20. 操作顺序错误

单独看每个动作都是对的，但执行顺序搞反了或漏了某个必要的前置动作。

典型表现：先提交表单再填写字段、先删除文件再备份、在页面还没加载完成时就点击元素、在未登录状态下尝试需要认证的操作。

识别特征：动作本身正确但因时序/前置条件不满足而失败。

21. 副作用失控

Agent 的行动产生了预期之外的副作用，且没有检测到或没有回滚。

典型表现：批量操作时多删了不该删的记录、发送了一封未完成的邮件、把测试数据写入了生产环境、下单时买错了数量或规格。这类失败是最危险的——它们发生在真实世界中，很多不可逆。

识别特征：Agent 执行的动作产生了超出任务目标范围的真实影响。

反思层失败

反思是 Agent 的“自我监控”能力。反思层失败意味着 Agent 不知道自己错了，或者知道错了但不改正。

22. 错误未检测

Agent 在执行过程中已经犯了错（任何一层的错误），但没有意识到，继续带着错误往下走。

这是最普遍也最致命的反思失败。一个感知错误如果被反思层捕获，Agent 可以重新读取页面；一个参数错误如果被反思层捕获，Agent 可以修正参数。但如果反思层本身没有触发，错误就会沿着执行链传播放大，最终呈现给用户的可能是一个看起来很自信但完全错误的答案。

识别特征：轨迹中存在明显的错误信号（工具报错、返回数据异常、前后矛盾），但 Agent 没有表现出任何识别或纠正的尝试。

23. 错误归因错误

Agent 检测到了错误，但把原因归错了，导致修复方向错误。

典型表现：工具返回“参数格式错误”，Agent 认为是工具不可用，换了一个更差的工具；页面加载超时，Agent 认为是自己的搜索词不对，改了搜索词而不是重试；任务失败了，Agent 认为是“信息不足”，但实际上信息已经获取到了，只是自己没读懂。

识别特征：Agent 尝试修正错误，但修正措施与错误的真实根因不匹配。

24. 纠正过度

检测到一个小错误后，Agent 进行了过度修正，把本来正确的部分也改错了。

典型表现：发现一个数据点有误，Agent 把整个分析结论推翻重做，但其实其他数据点都是对的，只需修正一个值；用户指出一个措辞问题，Agent 把整段重写，结果引入了新的事实错误。

识别特征：修正动作的范围超出了实际错误的范围，且引入了新的错误。

25. 无限自我修复

Agent 发现了错误，尝试修复，修复引入了新错误，再修复，再引入……陷入“修 bug 造 bug”的循环。

和死循环类似，但区别在于：死循环是无意义地重复同一个动作，无限自我修复是每一轮都在做“新”的修正，但整体没有朝正确方向收敛。这种循环特别消耗 token，因为每一轮都在生成“看起来有进展”的内容。

识别特征：连续多轮自我修正，但问题没有收敛，错误数量没有减少甚至在增加。

26. 元认知缺失

Agent 对自己的能力边界没有准确认知——不知道自己不知道什么，在不确定的时候不请求人工确认。

典型表现：在一个完全不熟悉的领域里自信地给出建议；置信度很低的时候不用“我不确定”这样的表达，而是用确定性语气输出；在需要用户决策的岔路口自行替用户做了决定。

元认知缺失不是“答错了”——答错是能力问题，不知道自己答错了是元认知问题。后者危险得多。

识别特征：Agent 在信息不足或能力边界外做出确定性输出，且没有请求人类介入。

跨维度失败：组合拳

真实场景中的 Agent 失败很少是单一类型的，更多是多层失败的连锁反应。一个典型的“灾难轨迹”长这样：

1. 感知：Agent 误读了页面上的价格（#1 页面误读）
2. 反思：没有检测到这个价格异常（#22 错误未检测）
3. 规划：基于错误价格做了购买决策（#5 拆解错误，但根因在上游）
4. 执行：下单时参数填错了数量（#19 动作生成错误）
5. 反思：下单成功后没有核对订单详情（#22 再次未检测）
6. 结果：买错了东西、买错了数量，且 Agent 报告“任务完成”

这个案例里有 3 个独立失败（感知误读 + 执行参数错误 + 反思两次未检测），任何一个被拦截都不会造成最终后果。这也是为什么测评不能只看“成功率”——一个 95% 成功率的 Agent，如果那 5% 的失败都是这种多层连锁、且伴随不可逆副作用，在生产中是不可接受的。

怎么用这套分类体系

分类不是目的，可操作才是。这套失败分类在测评中有三个用途。

失败标注

每次测评运行后，对失败轨迹进行人工或半自动标注，打上失败类型标签。标注一段时间后，你会得到一张失败分布热力图：

• 哪个维度的失败最多？（如果是工具层，说明 function calling 或工具描述需要优化）
• 哪种失败类型的代价最大？（副作用类失败虽少但最危险，需要优先防护）
• 新版本相比旧版本，哪些失败类型增加了、哪些减少了？

定向测试

针对每种失败类型构造专门的测试用例。比如：

• 测 #3 多模态感知 → 给一组 UI 截图，让 Agent 识别可操作元素
• 测 #7 死循环 → 给一个设计成会导致重复操作的任务，看 Agent 能否在有限步数内退出
• 测 #21 副作用失控 → 在沙盒环境中给 Agent 批量操作权限，看它是否会越界

这种定向测试比端到端任务测试更能精确暴露弱点，也更容易回归。

改进验证

当你做了一项改进（换了模型、改了 prompt、加了 guardrail），不要只看整体成功率涨没涨。按失败类型拆解：

• 如果 #10 工具选择错误减少了但 #11 参数构造错误增加了，说明 prompt 改进让模型更“敢”用工具了但用得还不够准
• 如果 #22 错误未检测减少了但 #25 无限自我修复增加了，说明反思能力增强了但缺少收敛机制
• 如果 #15 短期记忆丢失在短任务中消失了但在长任务中反而增加了，说明上下文管理策略在某个长度阈值后失效

按失败类型看改进，才能知道改动到底在哪个层面起了作用。

小结

这篇我们列了 26 种 Agent 失败模式，覆盖感知（4 种）、规划（5 种）、工具（5 种）、记忆（4 种）、执行（3 种）、反思（5 种）六个维度，外加跨维度连锁失败。

这个清单不是穷尽的——随着 Agent 能力和应用场景的演进，新的失败模式会不断出现。但它提供了一个起点：一个可以让团队用统一语言讨论失败、用统一标准标注失败、用统一框架分析失败的起点。

下一篇《测评的四个层次》，我们会回到总纲里的 L1-L4 框架，详细讲每一层测什么、怎么测、各自的适用场景和陷阱。失败分类学回答的是“能出什么错”，四个层次回答的是“在什么粒度上抓这些错”。