BLADE：免训练框架审计多智能体信息使用以定位失败责任
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载多智能体失败归因的难点
大语言模型多智能体系统通过专门角色、工具与工作流之间的协作扩展单个智能体的能力，但协作也让失败更难诊断：一个智能体可能误读正确结果，其他智能体则把错误继续传递下去。失败归因的目标是找出应负责的智能体以及决定性的错误步骤。近期方法会追踪依赖关系，但论文指出，知道信息来自哪里与知道哪里出错并不是一回事。这一区分构成了 BLADE 的出发点：与其只追踪信息流向，不如审计信息在交接点是否被正确使用。
BLADE 的审计机制
BLADE 全称 Blame Localization via Audited Dependency Evidence，是一个免训练框架。它借助 Jev 进行结构化概率判断，利用依赖概率挑选出相关的源决策交接点，再在这些交接点上检查接收决策是否忠实于来源、是否在任务要求范围内使用来源。通过这种检查，框架能够区分三类情况：错误被引入、错误被传播、错误被修复。这些局部发现随后汇入一个全局诊断，该诊断会考虑全部执行步骤，而不是只看单个环节。
评测结果与表现
论文在五个 Who&When 与 Who&When Pro 子集上开展评测，共涉及 1,228 次失败运行。在共享的 Jev 决策接口下，BLADE 与另外八种策略进行比较，在不需要参考答案的条件下取得最佳或并列最佳的步骤准确率，相比 All-at-once 高出 2.2 至 11.1 个百分点。论文共 16 页，含 6 张图与 3 张表，作者为 Xiaoguang Guo、Yaohao Long、Chuxu Zhang，提交于 2026 年 10 月 13 日，编号 arXiv:2610.18780。
对智能体系统的意义
论文认为，把责任证据显式化，有助于构建更可解释、更可靠的智能体系统。对从业者而言，这意味着在多智能体流程出错时，除了知道哪个环节传递了错误信息，还能获得关于该环节是否忠实使用来源的判断依据，从而区分是引入错误、放大错误还是修复错误。该框架免训练的特性也降低了在已有系统上做失败审计的门槛，但其评测范围限于 Who&When 系列子集，适用边界仍需结合具体任务判断。
为什么值得看
多智能体失败归因长期缺乏可解释证据，该工作把责任定位从追踪信息转向审计信息使用，并给出可复现的评测结果。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。