본 논문은 다양한 분야에서 에이전트 워크플로우의 채택 증가에 따라 복잡한 시스템 추적을 확장 가능하고 체계적으로 평가할 필요성을 강조한다. 기존의 평가 방법은 긴 워크플로우 추적에 대한 수동적이고 도메인 특정적인 사람의 분석에 의존하는데, 이는 복잡성과 에이전트 출력량의 증가에 따라 확장성이 떨어진다. 본 논문에서는 에이전트 워크플로우 추적을 위한 강력하고 동적인 평가 방법의 필요성을 제기하고, 에이전트 시스템에서 발생하는 오류 유형에 대한 공식적인 분류 체계를 제시하며, 이 분류 체계를 기반으로 구축된 148개의 대규모 인간 주석 추적(TRAIL) 데이터셋을 소개한다. TRAIL 데이터셋은 소프트웨어 엔지니어링 및 오픈 월드 정보 검색과 같은 실제 응용 프로그램에 중점을 두고 단일 및 다중 에이전트 시스템 모두에서 추적을 큐레이션하여 생태학적 타당성을 보장한다. 평가 결과, 최신 장문 컨텍스트 LLM은 추적 디버깅에서 성능이 저조하며, Gemini-2.5-pro 모델의 정확도는 11%에 불과함을 보여준다. 본 논문에서는 TRAIL 데이터셋과 코드를 공개하여 에이전트 워크플로우의 확장 가능한 평가에 대한 미래 연구를 지원하고 가속화한다.