arXiv cs.AI· Xiaoguang Guo, Yaohao Long, Chuxu Zhang·· 3 天前AI 评分29
BLADE：面向 LLM 多智能体系统失败归因的信息使用审计框架
BLADE: Auditing Information Use for Failure Attribution in LLM Multi-Agent Systems
AI 导读
BLADE 是一个免训练框架，通过审计多智能体系统中决策对来源信息的使用方式，区分错误引入、传播与修复，从而定位责任智能体和关键错误步骤。在 Who&When 与 Who&When Pro 五个子集的 1228 条失败运行上，其步骤准确率在八种策略中达到最佳或并列最佳，较 All-at-once 高出 2.2-11.1 个百分点。
正文 · AI 翻译
摘要：大语言模型多智能体系统通过跨专业角色、工具和工作流的协作，扩展了单个智能体的能力。然而，协作使故障更难诊断：一个智能体可能误解了正确的结果，而其他智能体则将该错误继续传递下去。因此，故障归因旨在识别应负责的智能体和决定性的错误步骤。近期方法追踪依赖关系，但知道信息来自何处并不等同于知道它在哪里出错。我们提出 BLADE（Blame Localization via Audited Dependency Evidence，基于审计依赖证据的归责定位），这是一个无需训练的框架，超越了追踪信息，转而审计信息的使用方式。BLADE 使用 Jev 进行结构化概率判断，利用依赖概率选择相关的源决策交接点进行审计。在这些交接点，它检查接收决策是否忠实于其来源并在任务要求范围内使用它们，从而区分错误的引入、传播和修复。这些发现为考虑所有执行步骤的全局诊断提供依据。在没有参考答案的情况下，BLADE 在共享 Jev 决策接口下的八种策略中取得了最佳或并列最佳的步骤准确率，在五个 Who&When 和 Who&When Pro 子集的 1,228 次失败运行上，比 All-at-once 高出 2.2-11.1 个百分点。将责任证据显式化，为构建更可解释、更可靠的智能体系统提供了一条路径。
| 评论： | 16 页，6 幅图，3 张表 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.18780 [cs.AI] |
| （或 arXiv:2610.18780v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18780 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Xiaoguang Guo [查看电子邮件]
[v1]
2026年10月13日星期二 17:34:34 UTC（592 KB）
来源：arXiv cs.AI · arxiv.org