标题： 诊断与缓解智能体说服中的复合故障：基于分类策略检索的方法
摘要： 在多步骤、开放式环境中，基础模型智能体经常遭受复合错误的影响，即早期失误会污染长期轨迹。虽然多智能体辩论（MAD）在确定性领域取得了成功，但在说服等主观任务中，智能体却面临严重的问题漂移和谄媚性趋同。我们指出，标准检索增强生成（RAG）中的语义泄漏是这些故障的一个可复现诱因，因为标准 RAG 优先考虑词汇重叠而非逻辑必要性。为消除这种泄漏，我们引入了分类策略 RAG（TS-RAG），这是一种系统干预手段，通过离散的分类瓶颈路由策略，从而将论证结构与主题内容解耦。零样本、跨领域评估表明，在标准语义检索失效的情况下，TS-RAG 显著提升了抽象逻辑的迁移能力。关键在于，TS-RAG 在非对称部署中充当了能力桥梁，使轻量级说服者能够持续击败参数更优的对手（胜率从 70.5 提升至 78.5），并加速了论证效率。最后，我们通过逐轮辩论状态表示（DSR）引入了轨迹级诊断，证明了严格约束对于防止因默认智能体谄媚行为导致的评估崩溃是必要的。