自主代理（Autonomous Agents）正變得越來越複雜，驗證其順序執行行為的正確性成為一大挑戰。傳統的測試方法要麼需要手動指定預期行為，要麼要求精確的序列匹配，或者需要成千上萬的訓練樣本。最近，一篇發表在arXiv上的論文（arXiv:2605.03159）提出了一種全新的演算法，能夠僅從2到10個成功執行軌跡中自動學習正確行為，並利用該模型驗證新的執行序列。該論文由Reshabh K Sharma、Gaurav Mittal和Yu Hu共同撰寫，提交於2026年5月4日。
該演算法的核心創新在於結合了編譯器理論中的支配者分析（dominator analysis）與多模態大語言模型（MLLM）驅動的語義理解。透過支配者分析，演算法能夠識別執行軌跡中的關鍵狀態；而多模態大語言模型則幫助處理非確定性行為，使得模型能夠容忍合理的變異。此外，系統還利用了字首樹接受器（Prefix Tree Acceptor）來構建廣義的地面真相模型，並透過多層次等價檢測合併相似的軌跡。在驗證新執行時，系統採用拓撲子序列匹配，不僅提供可解釋的驗證結果，還附帶覆蓋率指標，使開發者能夠清楚瞭解測試的全面性。
在受控實驗中，僅使用3個訓練軌跡，該系統就實現了高精度地檢測產品缺陷和假性成功。論文作者表示，該方法適用於多種領域，包括使用者介面（UI）測試、程式碼生成以及機器人流程自動化。這一成果有望大幅降低自主代理驗證的成本和複雜度，推動更可靠的人工智慧系統的開發。