DART: новый метод семантического восстановления для ИИ-агентов
При работе структурированных tool-агентов (агентов, использующих инструменты) часто возникают сбои в середине выполнения. Традиционный подход — перезапуск всей задачи — безопасен, но неэффективен. Восстановление из локальной контрольной точки экономит ресурсы, но может оставить завершённую downstream-работу, привязанную к уже не существующей истории.
Исследователи представили DART — модульную среду выполнения, решающую эту дилемму. Система локализует отказавший экземпляр, определяет границы семантически восстанавливаемой области, выравнивает контрольные точки по этим границам и выбирает допустимую точку восстановления, которая сохраняет выполненную downstream-работу с учётом зависимостей и эффектов. Если такая точка невозможна, DART блокирует откат.
Метод был протестирован на трёх LLM-управляемых областях, а также на внешней валидации с использованием LangGraph. Во всех протестированных случаях, где базовое локальное восстановление давало сбой, DART корректно восстанавливал семантически целостное состояние.
Дополнительно проведён аудит безопасности в пяти областях: ни один из допущенных DART откатов не был признан небезопасным. Это подтверждает, что легальность с точки зрения контроллера не гарантирует семантической валидности, и для корректного локального восстановления необходима явная проверка допустимости.
Разработка опубликована на arXiv и предлагает практическое решение для агентов, работающих в чувствительных к фиксации (commitment-sensitive) средах, где откат одного экземпляра может затронуть downstream-потребителей.
