ReIn: Konversationsfehlerbehebung durch Reasoning Inception

ReIn: Conversational Error Recovery with Reasoning Inception

February 19, 2026

papers.authors: Takyoung Kim, Jinseok Nam, Chandrayee Basu, Xing Fan, Chengyuan Ma, Heng Ji, Gokhan Tur, Dilek Hakkani-Tür

cs.AI

papers.abstract

Konversationsagenten, die auf großen Sprachmodellen (LLM) mit Werkzeugintegration basieren, erzielen zwar hohe Leistungswerte auf festen, aufgabenorientierten Dialogdatensätzen, bleiben jedoch anfällig für unerwartete, nutzerbedingte Fehler. Anstatt auf Fehlervermeidung zu setzen, konzentriert sich diese Arbeit auf die Fehlerbehebung, was eine genaue Diagnose fehlerhafter Dialogkontexte und die Ausführung geeigneter Wiederherstellungspläne erfordert. Unter realistischen Einschränkungen, die eine Feinabstimmung des Modells oder eine Anpassung der Prompts aufgrund erheblicher Kosten- und Zeitaufwände ausschließen, untersuchen wir, ob Agenten aus kontextuell fehlerhaften Interaktionen wiederherstellen können und wie ihr Verhalten ohne Änderung der Modellparameter und Prompts angepasst werden kann. Zu diesem Zweck schlagen wir Reasoning Inception (ReIn) vor, eine Methode zur Intervention zur Testzeit, die eine initiale Schlussfolgerung in den Entscheidungsprozess des Agenten einpflanzt. Konkret identifiziert ein externes Inception-Modul vordefinierte Fehler im Dialogkontext und generiert Wiederherstellungspläne, die anschließend in den internen Reasoning-Prozess des Agenten integriert werden, um korrigierende Maßnahmen zu steuern – ohne dessen Parameter oder System-Prompts zu verändern. Wir evaluieren ReIn durch systematische Simulation von Konversationsfehlerszenarien, die die erfolgreiche Erfüllung von Nutzerzielen direkt behindern: mehrdeutige und nicht unterstützte Nutzeranfragen. Über diverse Kombinationen von Agentenmodellen und Inception-Modulen hinweg verbessert ReIn die Aufgabenerfüllung erheblich und verallgemeinert auf unbekannte Fehlertypen. Darüber hinaus übertrifft es durchgängig explizite Prompt-Modifikationsansätze, was seinen Nutzen als effiziente Echtzeitmethode unterstreicht. Eine tiefgehende Analyse des Wirkmechanismus, insbesondere in Bezug auf die Befehls-Hierarchie, zeigt, dass die gemeinsame Definition von Wiederherstellungswerkzeugen mit ReIn eine sichere und effektive Strategie zur Verbesserung der Robustheit von Konversationsagenten darstellen kann, ohne die zugrundeliegenden Modelle oder System-Prompts zu verändern.

English

Conversational agents powered by large language models (LLMs) with tool integration achieve strong performance on fixed task-oriented dialogue datasets but remain vulnerable to unanticipated, user-induced errors. Rather than focusing on error prevention, this work focuses on error recovery, which necessitates the accurate diagnosis of erroneous dialogue contexts and execution of proper recovery plans. Under realistic constraints precluding model fine-tuning or prompt modification due to significant cost and time requirements, we explore whether agents can recover from contextually flawed interactions and how their behavior can be adapted without altering model parameters and prompts. To this end, we propose Reasoning Inception (ReIn), a test-time intervention method that plants an initial reasoning into the agent's decision-making process. Specifically, an external inception module identifies predefined errors within the dialogue context and generates recovery plans, which are subsequently integrated into the agent's internal reasoning process to guide corrective actions, without modifying its parameters or system prompts. We evaluate ReIn by systematically simulating conversational failure scenarios that directly hinder successful completion of user goals: user's ambiguous and unsupported requests. Across diverse combinations of agent models and inception modules, ReIn substantially improves task success and generalizes to unseen error types. Moreover, it consistently outperforms explicit prompt-modification approaches, underscoring its utility as an efficient, on-the-fly method. In-depth analysis of its operational mechanism, particularly in relation to instruction hierarchy, indicates that jointly defining recovery tools with ReIn can serve as a safe and effective strategy for improving the resilience of conversational agents without modifying the backbone models or system prompts.