长期行为代理的失效解释常以完成轨迹的分类形式出现：评审者阅读完整的对话记录并标记失效类型。我们主张，若要将代理的行为归因于其历史，必须提供干预验证的证据——可以是针对单个实例的实验，也可以是经验证的估计器。具体做法是：在轨迹中部冻结可执行的状态，只修改代理感知到的历史信息，然后继续执行。关键在于，这一过程是实际执行的，而非仅从记录中推断，并且需要在已测量的恢复点上提供与估计量相匹配的重放证书。
我们定义了四类操作，每类都有已有工作作为前例。例如 DoVer、REFLECT、Min 等人的方法以及 Who&When Pro、Causal Agent Replay 已经能够从检查点、重新执行的前缀或记录的对话状态进行干预，但它们都未报告可度量的重放证书。
两项警示性测量未遵循该标准：第一，某种载体分类的“浓度”无法与基准构造分离（校正后比值比 1.15，置信区间跨 1）；第二，哈希相同的快照在相同种子进程中恢复时，24/24 状态与彼此一致，却在 24 次实验中有 9 次和 20 次与实时继续不符。将随机流的捕获位置恢复后，全部 24 次与实时运行保持一致。
点评：该工作强调了可执行反事实实验在因果归因中的必要性，提出了具体的报告框架，有望提升长期代理研究的可重复性和可信度。