在大型语言模型（LLM）驱动的多智能体系统中，复杂问题的解决依赖于协调的推理和行动，但其分布式结构也带来了新的挑战，尤其是在诊断系统级故障时。当执行失败时，识别哪个智能体负责，以及轨迹首次不可逆转地偏离的时刻，变得异常困难。这是由于长时间的交互和紧密耦合的智能体行为所致。
本文研究了LLM驱动的多智能体系统中的故障定位问题，并提出了AgentLocate框架，该框架将故障归因于特定的智能体及其最早的决定性步骤。AgentLocate结合了基于LLM的判断机制和独立评估者的多角度验证，评估结果通过一种关注置信度的策略进行聚合。最终的反馈进一步用于通过轻量级微调来适应判断者，从而提高归因质量。
我们在两个互补基准上评估了AgentLocate，涵盖了多样化的任务、智能体配置和轨迹长度。实验结果表明，AgentLocate在识别负责智能体和故障步骤方面，始终优于现有的故障定位方法，同时在令牌使用和运行时间方面保持高效。
博主点评： 该研究为LLM多智能体系统的故障定位问题提供了创新的解决方案，通过结合多角度评估和轻量级微调，显著提升了故障归因的准确性与效率，具有重要的实际应用价值。