行动背后的为什么：经Agentic归因揭示内部驱动因素

基于大语言模型 (LLM) 的代理广泛应用于客户服务、Web 导航和软件工程等实际应用中。随着这些系统变得更加自主并大规模部署，了解代理为何采取特定行动对于问责和治理变得越来越重要。然而，现有的研究主要集中在 \textit{失败归因} 上，以定位不成功轨迹中的显式错误，这不足以解释代理行为背后的推理。为了弥补这一差距，我们提出了一种新的 \textbf{一般代理归因} 框架，旨在识别驱动代理行为的内部因素，无论任务结果如何。我们的框架分层运行以管理代理交互的复杂性。具体来说，在 \textit{组件级别}，我们采用时间似然动态来识别关键的交互步骤；然后在 \textit{句子级别}，我们使用基于扰动的分析来完善这种定位，以隔离特定的文本证据。我们在一系列不同的代理场景中验证我们的框架，包括标准工具的使用和微妙的可靠性风险，例如内存引起的偏差。实验结果表明，所提出的框架可靠地查明了代理行为背后的关键历史事件和句子，为迈向更安全、更负责任的代理系统迈出了关键一步。