AI Agent 写对了新功能,却差点改错测试:人大高瓴提出 AEWM,让世界模型直接纠正下一步

摘要

在一次软件工程任务中，Agent 需要修改 OpenLibrary 的匹配逻辑，让程序支持未经预处理的原始记录，同时保留对旧格式数据的兼容。

新功能写出来了，但三个已有测试突然报错。Agent 开始怀疑测试本身过时，准备继续检查测试文件。

真正的问题却是：新增功能不能以破坏旧接口为代价。

中国人民大学高瓴人工智能学院提出的 Agent-Editing World Model（AEWM），在这一节点识别出错误方向，直接修订 Agent 的推理与代码修改动作，让程序兼容两种输入。重新运行测试后，原先三个失败项转为通过。

论文链接：https://arxiv.org/abs/2609.28416

项目主页：https://github.com/RUCAIBox/Agent-Editing-World-Model

Hugging Face：https://huggingface.co/collections/RUC-AIBOX/agent-editing-world-model

背景：Agent 为什么会越做越偏？

长程任务中的失误，往往不是单次工具调用失败，而是错误理解被写入历史，影响此后的每一步。

比如把猜测当作事实、把局部成功当作任务完成，或者在已有证据否定某个方向后继续重复探索。论文将这种现象称为 task-state contamination（任务状态污染）。

不少语言世界模型尝试预测下一次搜索、终端或测试会返回什么。但这些结果由网页变化、文件系统和实际执行状态决定，不仅难以准确模拟，而且真实工具通常能直接提供反馈。

AEWM 因此提出不同的思路：与其模拟环境，不如判断 Agent 当前的决策是否真正有助于推进任务。

创新点：在行动执行前给 Agent 一次改道机会

AEWM 不是传统意义上的工具返回模拟器，而是一个能够判断并编辑 Agent 当前状态的模型。

它由两项能力组成：

Action Judge：先判断。 在真实执行前，把候选推理和行动分成三类：Critical（关键推进）、Exploratory（有效探索）、Noisy（重复、偏题或错误方向）。其中，必要的试错不会被简单当成无效操作。

State Revision：再修订。 只有决策被判定为 Noisy 时，才根据已有历史重新生成推理与行动，替换原本准备执行的下一步。

这套流程被称为 EditAct：Agent 提出决策 → AEWM 判断 → 必要时修订 → 真实工具执行 → 将实际反馈写回历史。

区别在于：AEWM 不只是说“这里可能错了”，而是让更合理的下一步真正进入执行轨迹。

实验：不只会挑错，还能在六项任务上提升表现

研究团队先构建了包含 3,000 条决策的 Action Judge Benchmark，覆盖 Search、Terminal、SWE 三个领域。

AEWM 的整体 Macro-F1 达到 **70.5%**，比最强对照模型高 10.6 个百分点。

更关键的是，判断能力能否真正帮助 Agent 完成任务？

在 BrowseComp、DeepSearchQA、Terminal-Bench 2.0、Doc2Repo、NL2Repo 和 SWE-Bench Pro 六项基准、三个 Qwen3.5 基座上，EditAct 均优于 ReAct 和两种 Best@3 基线；六项平均分较各自最强基线提升 3.2–6.7 个百分点。

例如，在 Qwen3.5-35B-A3B 上，Terminal-Bench 2.0 从 **37.1% 升至 48.3%**，DeepSearchQA 从 69.4 升至 78.6。

消融实验还发现，单纯让 Agent 再生成一次，或给出修改提示，都不如直接修订推理与行动。这说明提升并非仅仅来自“多想一轮”。

长期效果：一次纠偏能否变成长期能力？

AEWM 并不止于在线干预。研究团队利用 EditAct 产生、经过验证的高质量轨迹，进一步微调 Agent，提出 AEWM-RFT。

在后续评测中，即使完全不再调用 AEWM，训练后的 Agent 仍比使用自身轨迹训练的 Self-RFT 高 2.2–2.6 个百分点。在 BrowseComp 上，平均交互轮数也从原始模型的 56.2 轮下降至 39.3 轮。

写在最后

AEWM 将世界模型的关注点从“环境将返回什么”，移到了“Agent 的下一步是否值得执行”。它不仅能及时改写低价值决策，也能把真实纠偏轨迹转化为训练监督。

长程 Agent 需要的不只是更多行动，而是在关键时刻能够修正自己的行动方向。