语义合作博弈：LLM多智能体系统中的贡献归因

贡献归因已成为LLM多智能体系统的核心问题：最终输出经多个智能体、消息交换与有序工作流依赖产生。现有归因方法常依赖反事实估值——移除智能体或比较改动智能体子集的分数变化。在语言中介的工作流中，这些方法需要重复模型调用、方差高，且不显式捕捉智能体产出、保持与转化任务相关信息所经的中间语义状态。我们提出语义合作博弈（SCG）：把已实现的语言流表示为语义生成超图，并在该结构上导出智能体级语义价值函数。我们定义语义Shapley值（SSV）在语义支持逻辑上分配贡献，并引入SLIC——一个单轨迹算法：构建语义超图、恢复最小语义支持、应用布尔吸收、不重跑智能体子集即计算SSV。我们证明在标准的基于集合、完全可观测与无序依赖条件下，SSV退化为经典Shapley值。在满足这些条件的医学基准上，SLIC把计算成本降低93.3%，同时与蒙特卡洛Shapley基线高度一致。在更一般的多角色工作流中，SSV与扰动引发的分数下降轮廓一致，并暴露语义贡献与失败影响分歧的案例。总体而言，SLIC为复杂LLM多智能体系统提供快速、无反事实、可解释的归因方法。