본 논문은 다양한 분야에서 에이전트 워크플로우의 채택 증가에 따라 이러한 시스템이 생성하는 복잡한 추적을 확장 가능하고 체계적으로 평가할 필요성을 강조합니다. 기존의 평가 방법은 긴 워크플로우 추적에 대한 수동적이고 도메인 특정적인 인간 분석에 의존하는데, 이는 에이전트 출력의 복잡성과 양이 증가함에 따라 확장성이 부족합니다. 본 논문에서는 에이전트 워크플로우 추적을 위한 강력하고 동적인 평가 방법의 필요성을 명확히 하고, 에이전트 시스템에서 발생하는 오류 유형에 대한 공식적인 분류 체계를 제시하며, 이 분류 체계를 기반으로 구축된 148개의 대규모 인간 주석 추적(TRAIL) 데이터셋을 소개합니다. TRAIL 데이터셋은 소프트웨어 엔지니어링 및 개방형 세계 정보 검색과 같은 실제 응용 프로그램에 중점을 두고 단일 및 다중 에이전트 시스템 모두에서 추적을 큐레이팅하여 생태학적 타당성을 보장합니다. 평가 결과, 최신 장문 컨텍스트 LLMs는 추적 디버깅에서 성능이 저조하며, 최고 성능 모델인 Gemini-2.5-pro조차 TRAIL에서 11%의 정확도만 기록했습니다. 본 논문에서는 TRAIL 데이터셋과 코드를 공개하여 에이전트 워크플로우에 대한 확장 가능한 평가 분야의 미래 연구를 지원하고 가속화합니다.