1. 一句话结论
ReTrace 解决的是重复执行同一套标准作业流程时，每一步都调用大语言模型选动作、从而抬高延迟与成本的问题：它用少量带推理说明的智能体运行日志，生成由代码而非大语言模型选择下一步、并可编译到不同编排平台的可复用工作流，参考 arXiv 摘要页。
2. 方法要点
核心观察很具体：智能体每次调用工具时写下的推理说明，往往包含“为什么做这一步”；只看工具调用本身，丢掉了触发条件。ReTrace 从这里抽取每一步背后的条件，再把多次运行中的条件合并成一份紧凑规则文档，最后生成可执行工作流。只有最后生成阶段依赖目标平台，因此同一份规则文档可以面向不同编排平台编译。
方法链路可以概括为：
def retrace(sop, logged_runs, target_platform):
conditions = []
for run in logged_runs:
for call in run.tool_calls:
why = call.reasoning # 工具调用附带的推理说明
cond = extract_condition(why, call.tool_call)
conditions.append((call.tool_call, cond))
rule_doc = merge_conditions(conditions) # 跨运行合并为紧凑规则
workflow = compile_workflow(rule_doc, target_platform)
return workflow
关键设计有三点。第一，输入不只有 SOP，还需要少量已经记录下来的智能体运行轨迹；第二，条件来自推理说明与工具调用的配对，而不是只统计工具序列；第三，规则文档与平台编译解耦，使工作流可迁移到不同编排环境。论文还报告了修复机制：对训练中的失败样本做三轮修复，可以提升部分工作流表现。
3. 关键数字
| 数据集 | 指标 | 对比基线 | 提升幅度或取舍 |
|---|---|---|---|
| 生产平台 79 个流程 | 完成率 | 智能体 96.8% | ReTrace 93.8%；每任务成本低 24% |
| τ²-Bench | 任务成功率 | 智能体 80.6% | ReTrace 75.8% |
| τ²-Bench | 运行时间 | 智能体 170s | ReTrace 1.3s |
| τ²-Bench，k=2 工作流 | 任务成功率，三轮修复后 | 修复前 66.7% | 81.2% |
| SOP-Bench 八个流程 | 任务成功率，无修复 | 少样本生成 83.6% | ReTrace 80.6% |
| SOP-Bench 八个流程 | 任务成功率，修复后 | 智能体 85.5% | ReTrace 87.8% |
| SOP-Bench 八个流程 | 每任务耗时 | 智能体 46.6s | ReTrace 0.40s |
这组数字说明 ReTrace 的定位不是“全面超过智能体”，而是用一定成功率取舍换成本和延迟。生产平台上完成率从 96.8% 到 93.8%，但每任务成本低 24%；τ²-Bench 上成功率从 80.6% 到 75.8%，运行时间从 170s 到 1.3s。SOP-Bench 上，无修复版本低于少样本生成，修复后达到 87.8%，高于智能体的 85.5%，同时每任务耗时为 0.40s，对比 46.6s。
4. 局限与前提
适用场景很明确：同一套 SOP 在新输入上反复执行，且延迟、成本随调用次数放大的业务流程。它不是任意开放式任务的通用替代品，也不适合缺少历史运行记录的冷启动场景。
前提条件也硬。方法依赖每次工具调用附带的推理说明；论文明确强调，只看工具调用不够。若日志里缺少“为什么做这一步”的说明，条件抽取会失去关键来源。修复阶段还需要标注训练失败样本：SOP-Bench 上无修复版本为 80.6%，低于少样本生成的 83.6%；利用标注失败做修复后才到 87.8%。因此“有日志”还不够，失败样本和修复轮次会影响最终效果。
论文报告的不足信号也直接：生产平台完成率为 93.8%，低于智能体的 96.8%；τ²-Bench 任务成功率为 75.8%，低于智能体的 80.6%。这说明在需要更高成功率的流程里，不能只看成本与延迟收益，必须按业务容错度做 A/B 验证。
5. 能不能用
若你的业务是重复 SOP、调用量大、对每步延迟敏感，ReTrace 的思路值得试用；若任务步骤变化大、成功率高优先级压过成本，则应保留智能体或做混合方案。
是否开源代码与权重：提供的信息源未给出代码仓库、权重或发布许可说明，因此不能据此文判断可直接下载复现。本地复现至少需要：一份自然语言 SOP；若干条已记录的智能体运行日志，包含工具调用与推理说明；目标编排平台的编译与执行环境；用于修复阶段的失败标注。生产平台 79 个流程的结果来自作者生产环境，外部复现需要用自有流程和日志重建同类评测。