论文提出了什么方法？
将大量LLM智能体执行轨迹压缩成单个紧凑的有限状态机（FSM），并以此作为结构基底，用于下一步预测和失败预测。
Automata from Agent Traces: Failure and Next-Step Prediction
（翻译）基于智能体轨迹的自动机：失败与下一步预测
资讯摘要
Abstract page for arXiv paper 2608.23670: Automata from Agent Traces: Failure and Next-Step Prediction
AI 摘要
该论文提出从LLM智能体执行轨迹中构建紧凑有限状态机（FSM），在12个公开数据集上仅用7-43个状态即可高保真重放数据；FSM状态上下文可提升下一步预测，基于状态的失败预测AUROC最高0.94，并可在线提前停止。研究显示行为拓扑更多由部署环境而非模型决定，为AI安全审计与运行监控提供模型无关的结构化基础。
AI 问答
方法在实验中的表现如何？
在12个公开数据集上，FSM仅有7-43个状态，重放留出数据适应度不低于0.997，构建时间毫秒级；失败预测AUROC最高达0.94，并可从部分轨迹触发提前停止。
研究的主要结论是什么？
智能体行为拓扑更多由部署框架而非LLM本身决定，因此可形成与模型无关的结构化工具，用于安全审计和运行时监控。