大型语言模型（LLM）驱动的多智能体系统面临一种独特的可靠性挑战：上游智能体的行为会影响下游智能体的正确性。已有研究关注错误传播并尝试估计来自上游的不确定性，但这些方法并未显式建模已实现的发送者‑接收者交互在不同发送者正确性状态下对下游错误风险的贡献。
本文从多智能体执行轨迹出发，研究智能体层面的错误风险估计。我们提出交互效应传播（IE‑Prop）模型，该模型在条件上为正确和错误的上游智能体学习独立的影响。对于每一次发送者‑接收者交互，模型使用发送者的估计错误风险对这两种条件效应进行加权组合，并在执行图中递归传播得到的风险估计。
我们在三种多智能体架构和三套基准上进行评估。结果显示，在所有架构上，IE‑Prop 相比既有基线提升了约 0.05 的最终节点 AUROC。进一步地，在顺序系统中跟踪多步风险还能额外带来约 0.03 的 AUROC 增益。
这些实验表明，实际的智能体间交互提供了超出接收者本地证据的预测信息；而多步风险追踪的价值则取决于系统的信息流结构。
点评: IE‑Prop 通过区分正确与错误上游行为的影响，实现了更细粒度的风险传递建模，为提升多智能体系统的可靠性提供了实用思路。