自适应影响图：面向多智能体系统的失败归因

多智能体LLM系统越来越多地部署于真实应用，其失败代价高昂且难以定位。尽管自动化失败归因的努力不断增长，对失败运行的诊断仍在很大程度上依赖人类工程师。然而，工程师很少通过从头到尾阅读原始日志来调试复杂系统；相反，可观测性工具围绕组件、动作和依赖来组织轨迹，以支持有针对性的导航。我们假设现代LLM同样能从这一范式受益。为检验该假设，我们提出自适应影响图（AIG），一个两阶段智能体框架：先把失败轨迹转化为结构化图，再在其上导航以定位关键错误。跨多个模型，我们表明更丰富的轨迹表示持续改善失败归因，其中自适应图构建与智能体主导的遍历效果最强。AIG在多智能体失败归因标准基准Who&When上建立了新的最优水平。这印证了我们的假设：归因不仅取决于诊断模型，也取决于轨迹如何被表示和探索。