摘要： 深度搜索代理通过长周期网页交互来应对具有挑战性的问题，这一过程既复杂又脆弱：微小的推理错误可能会在漫长而嘈杂的轨迹中传播，最终导致流畅但错误的答案。诊断此类故障十分困难，通常需要人工检查极其冗长的执行轨迹，这可能超出人类的能力范围。为此，我们引入了 SearchAuditBench，一个用于评估 LLM 审计器能否定位、归因并修复这些故障的基准，从而减轻人工负担。SearchAuditBench 包含 1,243 条失败的轨迹，平均每条包含 73.1 条消息和 65.1K 个令牌，这些轨迹来自五个深度搜索基准上的八个开源权重模型，每条轨迹都经过专家标注，包含关键错误步骤、搜索特定的根本原因以及带有评分标准的参考修复方案。我们进一步提出了 SearchAuditor，一个多视角审计框架，通过基于证据的裁决来有效地定位、归因和修复搜索代理的故障。实验结果表明，即使是最强的基线方法，在 GPT-5.5 等前沿模型的支持下，其端到端通过率也仅为 26.6%。相比之下，我们的 SearchAuditor 在不同前沿模型上均持续优于所有基线，实现了 32.3% 的端到端通过率，并且利用其修复方案恢复失败的运行，能使代理更好地从错误中恢复。