在基于大语言模型（LLM）的代理系统中，错误往往源自早期步骤，这些步骤的影响会在后续交互中传播，使得错误根源难以定位。为了解决这一问题，研究者将错误归因定义为识别导致错误的最早一步。已有方法利用LLM内部信号进行归因，通常直接把隐藏状态当作步骤表示，但实证研究表明，这些表示在区分根因步骤和其他步骤时分离度有限。\ \ 为此本文提出 ReCast，一种将冻结的LLM隐藏状态转化为面向归因的步骤表示的学习框架。ReCast 首先筛选与归因相关的层，然后构造互补的模式特征和偏差特征，最后通过对比学习和排序目标训练编码器，得到上下文感知的步骤表示。与此同时，作者构建了 ReCast-2K 数据集用于训练和评估错误归因任务。实验在四个基准上显示，ReCast 在 Hit@1 指标上领先所有对照方法，在 Who&When Algorithm 基准上提升 5.65 个百分点，在 Handcrafted 基准上提升 9.19 个百分点。代码已开源：https://anonymous.4open.science/r/ReCast-5FB6 。\ \ 点评