从平面日志到因果图：面向 LLM 多智能体系统的层次化失败归因
人工智能
2026-03-02 v1 软件工程
摘要
LLM（大语言模型）驱动的多智能体系统（MAS）在复杂领域展现出惊人的能力，但因内在脆弱性和不透明的失败机制而受到制约。现有失败归因方法，无论是依赖直接提示、高成本回放，还是监督式微调，通常将执行日志视为平面序列。这种线性视角无法消解 MAS 中固有的复杂因果联系，导致可观测性弱和责任边界模糊。为此，我们提出 CHIEF 框架，将混乱的轨迹转化为结构化的层次化因果图。随后，它采用层次化 oracle 指导的回溯，以高效修剪搜索空间。最后，通过渐进式因果筛选策略实施反事实归因，以严格区分真正的根本原因与传递的症状。Who&When 基准测试中的实验表明，CHIEF 在 agent 级别和 step 级别的准确率均优于八个强大的 SOTA baseline。消融研究进一步确认了每个提出模块的关键作用。
关键词
引用
@article{arxiv.2602.23701,
title = {From Flat Logs to Causal Graphs: Hierarchical Failure Attribution for LLM-based Multi-Agent Systems},
author = {Yawen Wang and Wenjie Wu and Junjie Wang and Qing Wang},
journal= {arXiv preprint arXiv:2602.23701},
year = {2026}
}