DCFA: Dual-view Causal-inspired Attribution for Failure Reasoning in LLM-based Multi-agent Systems
针对大型语言模型（LLM）多智能体系统易出现推理与协调错误导致系统级失败的问题，研究提出了一种名为 DCFA 的免训练框架用于故障归因。DCFA 通过全局模块从系统痕迹中构建因果启发式依赖图以识别决定性错误，并利用局部模块应用反事实启发式推理进行优化。该方法在 Who&When 基准测试中，使六款 LLM 的步骤级准确率较最先进基线最高提升 8.27%。现有归因方法面临两大挑战：浅层归因仅捕捉可被验证机制修正的微小偏差而遗漏决定性原因；以及随着系统痕迹增长导致的上下文退化致使模型推理能力迅速下降。