斯坦福一篇新论文给出了一个判断标准：智能体跑失败，先别急着调提示词，得看它是怎么失败的。

论文把失败的运行分成两类。一类是过程失败，比如陷入循环、步数预算被耗尽；另一类是内容失败，比如最终交付了一份糟糕的计划。这两类失败，对应的修法完全不同。

打开网易新闻 查看精彩图片

改外壳，还是改权重

一个智能体可以被改进的方式有两种：编辑它的外壳，也就是模型周围的提示词、工具和检查机制；或者微调它的权重。

论文的结论是：过程失败应该在外壳里修，内容失败应该去动权重。

这个结论来自一个旅行规划基准测试。测试里，一个由大模型驱动的循环负责重写外壳，它表现最好的那些运行结果，随后被用来微调模型。

两组数字

外壳进化把 Qwen3.5-4B 在留出任务上的表现从 0.16 提升到了 0.30，计划交付率从 55% 升到了 90%。

但外壳编辑始终没能缩小糟糕计划的比例。真正把这块压下去的，是一个 LoRA 适配器——它把 Qwen3.5-9B 留出运行中糟糕计划的占比从 28% 砍到了 5%。

换句话说，外壳能把智能体从"卡住"里救出来，但救不了"想错"。

先贴标签，再动手

论文给出的操作顺序很直接：在改进一个智能体之前，先给它的失败运行贴上标签，搞清楚每一次失败到底属于哪一类。

然后，过程失败去外壳里修，内容失败去权重里修。

这个顺序的价值在于，它把"该改哪里"从一个凭感觉的问题，变成了一个可以先分类再动手的问题。改错了地方，投入的算力和时间大概率是白费的。