论文
寻找责任归属：基于自动失败归因的多智能体协作反思框架
Finding Where the Buck Stops: An Automated Failure Attribution-Based Reflection Framework for Multi-Agent Collaboration
摘要
由大语言模型支持的多代理系统（MAS）已显示出完成复杂任务的希望，但失败率很高。目前的 MAS 自我反思方法要求所有智能体对失败进行反思，忽略了一个关键现实：失败通常源于特定智能体将任务引入歧途，即决定性错误智能体，而其他智能体只是履行了常规职责。强迫行为正常的代理人进行反思会用错误的见解污染他们的记忆。因此，我们提出了 DoCtOR（诊断然后纠正 PPO 增强反射），这是一种增强多智能体协作的新颖反射框架。 DoCtOR首先通过自动故障归因来识别决定性错误步骤和决定性错误代理，然后采用反事实推理来生成纠正的决定性错误步骤，最后仅让决定性错误代理产生有针对性的反射。实验结果表明，DoCtOR 在 HotPotQA、ChartQAPro 和 Mind2Web 数据集上的初始成功率分别提高了 22%、26% 和 27%，表现优于 Reflexion、Retroformer 和 COPPER。我们进一步建立了诊断然后纠正范式的普遍性，并证明在资源匮乏的情况下，在决定性错误步骤之后将反思集中在推理步骤上，可以达到与反映完整故障轨迹相当的质量。
