EDGE：错误依赖图引导的多智能体大语言模型系统多错误归因

大语言模型 (LLM) 代理故障通常包含多个相关错误，而不是单个错误。现有的归因方法通常会识别负责的代理、步骤或根本原因，但不会显式地对错误之间的依赖关系进行建模。我们引入 EDGE，一种错误依赖图引导的多错误归因框架。 EDGE 根据观察到的错误事件构建错误依赖图，并通过反事实推出验证可靠的因果子集。推理图指导两阶段LLM作为判断检测器进行错误归因，而干预验证的子图为解释和修复分析提供了更可靠的基础。 TRAIL 和 MAST 上的实验表明，EDGE 改善了大多数评估模型和设置的类别级多错误归因。对改编后的 Who&When 风格提示的实验表明，该图有助于跨越提示策略。这些结果表明，依赖结构对于代理故障而言是一种有用的先验诊断，超出了孤立的根本原因预测。