近年来，基于大语言模型（LLM）的多代理系统快速发展，但仍表现出脆弱性，常出现推理和协同错误，导致系统级别的失败。传统的失败归因依赖追踪代理之间的自然语言交互，寻找决定性错误——即最早的、若纠正即可逆转系统失败的动作。
面临两大挑战：
- 归因浅显——现有方法往往捕获轻微偏差（如检索不完整、格式错误），这些偏差可被验证机制修正，却遗漏了真正导致系统崩溃的决定性原因。
- 上下文退化——系统轨迹长度增长时，模型的推理能力急剧下降。
为克服上述问题，本文提出 DCFA，一种无需额外训练的失败归因框架。DCFA 包含：
- 全局模块：从系统轨迹构建结构化的因果依赖图，定位最初的决定性错误。
- 局部模块：基于局部反事实推理，对全局得到的因果归因进行细化，提升归因精度。
在 Who&When 基准上对六种主流 LLM 进行实验，DCFA 在步骤级准确率上相较于最先进的基线提升最高 8.27%。
点评