When Tools Fail: Benchmarking Dynamic Replanning and Anomaly Recovery in LLM Agents

ToolMaze 专门测试工具失败后的动态重规划和异常恢复，而不是 happy-path 工具调用。它用 DAG 拓扑复杂度和显式/隐式、瞬时/永久的 2x2 perturbation 分类构造任务；隐式语义失败造成最大跌幅，Perturbation Recovery Rate 约下降 37%，且容错能力随模型规模提升的速度比基础任务执行慢 3.66 倍。