让 AI 替你做深度调查，最后答案错了，只看总分就像只知道航班晚点，却不知道问题出在天气、调度还是机械故障。Yu 等人提出一套面向 Deep Search 和 Deep Research 智能体的评测框架：检查执行轨迹——也就是搜索、打开网页、取舍证据到生成结论的逐步记录，定位错误如何出现并向后传递。
这项工作的关键，是先把故障分成两层。系统层错误包括工具名写错、调用格式不合规、网页失效或遭遇反爬拦截；论文还观察到一种很具体的错法：智能体想读取网页，却把 URL 塞进文字搜索工具。任务层错误则更接近能力短板：深度搜索可能探索不全、证据积累不足或过早停止；深度研究可能无法协调多来源信息，或没有让结论得到引用支撑。
这比最终准确率多回答了一个更实用的问题：该修搜索、阅读与综合能力，还是先修工具和基础设施。论文采用规则解析结合 LLM 评审来诊断轨迹；这些分类与改进建议来自作者的实验分析，现有材料未披露具体总分或提升幅度。