DCFA：基于双视角因果启发的LLM多智能体系统故障归因方法

基于大语言模型（LLM）的多智能体系统近年来发展迅速，但系统仍易出现推理与协调错误，导致系统级故障。故障归因依赖于追踪智能体间的自然语言交互，以识别决定性错误，即最早一个动作的修正可逆转系统故障。现有方法面临两个关键挑战：1）浅层归因：现有方法通常仅捕捉微小偏差，如检索不完整或格式错误，此类错误可通过验证机制修复，却未能识别系统故障的根本原因；2）上下文退化：随着系统轨迹长度增加，模型的推理能力迅速下降。为解决上述问题，我们提出DCFA，一种无需训练的故障归因框架。DCFA整合全局模块，从系统轨迹中构建结构化的因果启发依赖图，以识别初始决定性错误；并引入局部模块，通过局部反事实启发的推理来优化因果启发的归因结果。在Who&When基准中，针对六种LLM的实验表明，DCFA在步骤级准确率上较现有最佳基线提升最高8.27%。