BOHM：针对复合 AI 系统的零成本层次归因

复合 AI 系统通过专门组件的层次结构来路由任务。归因主要依赖基于 Shapley 的方法 (SHAP)，其将联合价值函数分解为各组件的边际贡献，并要求对任意组件子集进行系统评估。该要求对第三方 API、不透明端点以及集中路由于少数工具的 agentic 编排器而言不可行，导致大多数联合无法从部署的编排器中进行评估。我们引入 BOHM，直接从路由权重中提取层次归因树：叶子归因为从根到叶子的路由权重之积；第 k 层归因为深度为 k 的节点分布。该方法零增量成本，无需访问组件内部，同时在每个层面同时提供多分辨率归因，而平坦方法在任何评估预算下都无法做到。BOHM 和 SHAP 回答不同问题，当部署路由近似最优时会收敛。在 18 个 LLM 层次结构（3 层，880 个 LiveCodeBench 问题）上，BOHM 的 Kendall tau 为 0.928，而 SHAP 在每个随机种子下评估的 coalition 数量是 BOHM 的 9000 倍时达到 tau=0.980。在一个包含 5 位驱动者、7 个基准测试的 agentic 研究中（35 个单元格，完全覆盖），驱动者将路由集中在单个工具上（top-share 中位数为 0.65），且单元格级别的 tau(BOHM,SHAP) 取决于该驱动者首选的工具是否为经验上最佳工具（平均 +0.22 vs ~+0.01）。在美国人口普查局层次结构中（475 个叶子，4 层），BOHM 在每个层面恢复地面真相排名（tau 最高达 0.722）。BOHM 满足效率、单调性、对称性和弱抑制，但不满足 Shapley 的可加性。它最佳的理解方式是一种补充原始方法：一种可在任何存在路由状态的地方计算的多分辨率分解，其与 Shapley 的不一致本身即为诊断信号。