arXiv cs.AI· Jinhao Zhou, Xiaoyu Zhang, Jiongchi Yu, Fahao Chen, Jun Wu·· 3 天前AI 评分36
LLM 多智能体系统通信故障研究：消息出错如何影响任务成败
When Messages Go Wrong: Understanding Communication Faults in LLM-Based Multi-Agent Systems
AI 导读
一项大规模实证研究构建了跨层故障分类体系与故障注入追踪流程，覆盖 100 项任务、五个领域、三种工作流拓扑和三种模型配置，共 29,000 余次执行。研究发现，有完整检测记录的失败中 20.7% 没有即时失败信号，部分内容故障时这一比例达 76.2%；Flat 拓扑在通信故障下保持 53.0% 任务成功率，而 Sequential 和 Hierarchical 分别仅为 3.3% 和 3.2%。
正文 · AI 翻译
摘要：基于 LLM 的多智能体系统（LLM-MAS）使用专门化的智能体交换消息以完成复杂任务。它们对网络协议、远程工具和模型端点的依赖使通信面临消息丢失、延迟和上下文过期的问题。由于智能体通常交换开放式的自然语言，异常可能在保持消息可处理的同时改变任务相关信息，从而使语义错误在后续交互中传播。关于智能体间通信故障的系统性研究仍然有限。本文对通信故障在 LLM-MAS 中如何表现、传播并影响任务结果进行了大规模实证研究。我们构建了一个跨层分类法，将底层扰动与应用可见故障联系起来，并开发了一套故障注入与追踪流水线。我们的评估涵盖 100 个任务、五个领域、三种工作流拓扑和三种模型配置下的 29,000 多次执行。我们发现，在具有完整检测记录的失败中，20.7% 没有即时失败信号，而对于部分内容故障，这一比例达到 76.2%。在通信故障下，Flat 保持 53.0% 的任务成功率，而 Sequential 和 Hierarchical 分别为 3.3% 和 3.2%。这一优势主要出现在替代信息路径保留了下游智能体所需证据的情况下。我们还评估了执行侧和证据保护机制，发现它们恢复的是不同的故障案例。证据恢复取决于可信信息是否仍可通过未受影响的路径访问。这些观察为 LLM-MAS 的通信故障传播、工作流韧性和保护设计提供了实证见解。
| 评论： | 21 页，11 幅图，3 张表。代码和实验工件：此 https URL ；配套网站：此 https URL |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15459 [cs.SE] |
| （或 arXiv:2610.15459v1 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15459 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jinhao Zhou [查看电子邮件]
[v1]
2026 年 10 月 11 日星期日 08:59:27 UTC（608 KB）
来源：arXiv cs.AI · arxiv.org