BOHM：面向复合AI系统的零成本层级归因

复合AI系统通过专门化组件的层级结构来路由任务。归因目前由基于Shapley的方法（SHAP）主导，这类方法将联盟价值函数分解为各组件的边际贡献，并要求系统可在任意组件子集上被评估。这一要求对第三方API、不透明端点以及将路由集中于少数工具的智能体编排器并不成立，导致大多数联盟从已部署的编排器出发无法评估。我们提出BOHM，它直接从此类系统已维护的路由权重中提取层级归因树：叶节点归因是根到叶路由权重的路径乘积；第k层归因是深度k节点上的诱导分布。该方法边际成本为零，无需访问组件内部，并能同时在每一层提供多分辨率归因——这是平面方法在任何评估预算下都无法提供的。BOHM与SHAP回答的是不同的问题，当部署的路由器接近最优路由时二者趋于一致。在880道LiveCodeBench题目上的3层18模型层级结构中，BOHM取得Kendall tau=0.928；SHAP达到tau=0.980，但每个种子需要多9000倍的联盟评估。在一项5驱动器、7基准的智能体研究（35个单元，完全覆盖）中，驱动器将路由集中于单一工具（最高占比中位数0.65），且单元级tau(BOHM,SHAP)可由驱动器的首选是否为经验上最佳工具预测（平均+0.22对比约+0.01）。在一个美国人口普查层级结构（475个叶节点，4层）上，BOHM在每一层都恢复了真实排名（tau最高0.722）。BOHM满足效率、单调性、对称性与弱抑制性，但不满足Shapley的可加性。最好将其理解为一种互补原语：一种只要存在路由状态就可计算的多分辨率分解，它与Shapley的分歧本身即是诊断信号。