When Agentic Executions Fail

AgentChaosBench 在 5 个 A2A/MCP 应用中注入 10 类故障，收集 275 条执行轨迹，其中 250 条含故障、25 条为对照。仅凭模型、工具与代理消息遥测做根因定位时，本地 14B 模型 Top-1 只有 13.6% - 19.2%，DeepSeek-v4-pro 也仅 24.8%；同时预测故障类型和位置的最好成绩为 22%。这组低上限说明可观测数据虽丰富，跨层因果归因仍远未被现有 LLM 稳定解决。