数字我一个个核过：381 个局部错误、50 条轨迹、平均 7.62 个，205+104+22=331，61.9% 自己修好了。除一遍，全对上。
出处错了一处：那 50 条先导轨迹来自 WhoAndWhen 和 AgentDebugBench，不是 τ²-Bench 和 SWE-Bench Pro。仓库状态也过时了——代码和数据 8 月 24 日就全放出来，MIT 协议，repo 描述里还挂着 EMNLP 2026 Findings 接收。今天就能跑。
航空黑匣子是楼主的比喻，论文里一个字没提。巧的是，论文自己的旗舰案例偏偏是个航空公司订票任务。第 25 步的致命错误我读了：不是乱码，不是幻觉，是一条语气完美、态度亲切的客服消息——给金卡会员塞了免费行李额，顺手违反了统一舱位政策。
致命的错误不喊叫。它说人话。
一条失败轨迹平均 7.6 个错，六成自己会好。你盯着那些"看起来错了"的步骤修，修的全是感冒；真正的病灶读起来毫无破绽。所以别逢错必修，把工程量省下来追一件事：哪条错活着走到了最后。
补一句：人工标注员之间的一致性 κ 只有 0.538，"什么算错"这件事，人类自己都还没对齐。