你有没有让 AI 一口气帮你跑过一串活儿——订票、查资料、再把结果整理成一份报告那种？前面几步看着都对，越往后越离谱，最后结果完全跑偏。

这种体验现在越来越常见。AI 早就不只是一问一答了，你给它一个任务，它能自己分步骤、自己调工具、自己往下做。可一旦让它连着跑十几步，翻车的概率就高得吓人。

有一篇论文专门去拆了这件事，标题叫《Where LLM Agents Fail and How They Can Learn From Failures》，18位作者的团队，把200条失败的 AI 运行记录一条一条标注出来（就是从头到尾盯着它每一步怎么走的），想看清楚它到底是怎么崩的。

结论挺反常识的。AI 跑多步任务时，真正要命的不是某一步做错了，是它做错之后，还一脸认真地基于这个错往下做。

我把这个现象叫「错误传染」。

意思是，一个根上的错误，会顺着后面每一步决策一路扩散下去，越滚越大，最后把整个任务带崩。错误不会自己愈合，只会滚雪球。

打个比方，这就像跟错了导航。第一个路口你拐错了，但导航全程都觉得自己在对的位置上，后面每一步都认认真真地基于这个错误的起点重新规划路线，开得越久离目的地越远。它不是某一步突然失灵，它是每一步都很努力，只是地基是歪的。

AI 也是这样。它不会在某一步突然变笨。它前面埋了个错，后面所有看似合理的操作，全建在这个错上。你盯着它后半段看，会觉得每一步都挺正常，可结果就是不对。因为问题早就发生在你没注意的那一步了。

那它都错在哪些地方？这篇论文把 AI 的失败分成了五类，我觉得对照着看挺有用，因为它解释了「越做越离谱」到底是哪个环节出的问题。

第一类是记忆。它没记住、或者记错了前面已经出现过的信息。比如你早就告诉过它一个条件，跑到后面它忘了，或者记串了。

第二类是反思。它对自己的进度判断错了，最典型的就是把没做完的事当成做完了，然后心安理得地进入下一步。

第三类是规划。一上来任务就拆错了，方向定歪，后面执行得再卖力也是白费。

第四类是行动。该调 A 工具它调了 B，或者工具用对了但输入的格式不对，操作直接失败。

第五类是系统。这类不怪 AI，是外部原因，比如工具临时不可用、接口报错、环境有限制，它也没办法。

这五类里，前两类特别值得说。论文发现，多数失败并不是在最后一步崩的，而是聚集在中间那段；而源头，往往是记忆和反思出了问题，再带崩后面的规划。

说白了，AI 翻车很少是「最后没收住」，更多是「中间记岔了、或者误判了进度」，然后它揣着这个错继续走，一步步把自己带进沟里。这跟我们想当然的不太一样。我们总以为它是越到后面越难、所以才错，其实坑早就在中段挖好了。

举个最常见的传染链你就懂了。第一步它记错了一个条件（记忆出问题），接着它对着这个错的条件去判断「我应该差不多做完了」（反思跟着出错），于是它在错误的前提上重新规划下一步该干嘛（规划被带歪），最后调用工具去执行（行动看着没毛病，可方向全错）。你看，五类失败里前一类塌了，后面的就像多米诺骨牌一样接连倒下。它每一步都「合逻辑」，只是逻辑的起点是坏的。

知道了这个，下面这件事就更关键了。

既然错误会传染，那救它的办法，就不是在它崩掉的地方打补丁。

这是很多人会本能犯的错。AI 跑出来的结果不对，我们一看，行，那你「再改改」「重新弄一下」。可它是在哪儿改？在那个已经歪掉的地基上改。你让它修后面的症状，它就在错误的延长线上修修补补，越改越乱，因为根上那个错你压根没碰。

这篇论文做了个实证，挺能说明问题。他们专门做了个工具去定位 AI 失败的根因，也就是那「第一个决定性的错误」，而不是后面一连串的连带反应。结果，靠这个找根因的本事去回灌纠错，AI 完成任务的成功率最高能相对提升26%。而他们这个找根因的准确率是24.3%，对比之下，原来的方法只有0.3%（差了几十倍，不是一个量级的事）。这个24.3%是严格口径，论文里叫「全程全对」（哪一步出错、错在哪个环节、是哪类错误，三样得同时答对才算数），不是随便指出个大概位置就行，所以别看绝对值不高，它已经把基线甩开几十倍了。

这两个数字摆一起，意思就很直白了：能不能找对那「第一步」错在哪，几乎决定了你能不能把任务救回来。改对了根，后面顺了；只盯着末端的乱象修，是救不回来的。

所以落到我们普通人怎么用 AI，我觉得有几条挺实在：

第一，发现 AI 走偏了，别急着让它「在原结果上改」。先往回找，找到它第一步是从哪儿开始歪的，回到那一步重开。在错误的地基上让它「再改改」，多半是白费工夫，还浪费你的额度和耐心。

第二，跑长任务别一把梭。一口气甩给它一串十几步的活儿，等它全跑完你再看结果，那时候错误早传染开了，根本理不清是哪步开始坏的。不如拆成几段，多设几个检查点，每跑一段你确认一下对不对，再让它往下走。这样就算错，也错在你眼皮底下，截得早。

第三，越是重要的多步任务，越要逐步确认，而不是图省事让它一条龙跑到底。AI 的「自信」是均匀的，它对的时候和错的时候，语气一样笃定，所以你别想着靠它自己的口气判断它有没有走偏，这事还得你自己来卡节点呢。

说白了，用 AI 干多步骤的活儿，核心心法就一句：错误不会自愈，只会滚雪球，所以要早截断。发现第一步不对，立刻停，回根因。

当然这事我也没法说得太满。这篇论文测的是 ALFWorld、GAIA、WebShop 这几个特定环境里的任务，样本就200条，规律在这些场景下成立，换到别的活儿上未必每条都严丝合缝（这点我心里也没底）。但「错误会传染、要回根因截断」这个大方向，我自己用下来是越来越认同的。

你平时让 AI 跑多步任务，一般是栽在哪一步上的？是它记岔了，还是把没干完的当干完了？评论里聊聊，我挺好奇大家踩的是不是同一个坑。

#马力的AI知识分享#