ICML2025Spotlight|谁导致了多智能体系统的失败

摘要：想象这样一个场景：你开发了一个由多个大型语言模型 Agent 组成的智能团队，它们协作完成复杂任务，比如一个 Agent 负责检索，一个负责决策。然而任务失败了，结果不对。

想象这样一个场景：你开发了一个由多个大型语言模型 Agent 组成的智能团队，它们协作完成复杂任务，比如一个 Agent 负责检索，一个负责决策。然而任务失败了，结果不对。

问题来了：到底是哪个 Agent 出了错？又是在对话流程的哪一环节？调试这样的多智能体系统如同大海捞针，需要翻阅大量复杂日志，极其耗时。

这并非虚构。在多智能体 LLM 系统中，失败常见但难以诊断。随着这类系统愈加普及，我们急需新方法快速定位错误。正因如此，ICML 2025 的一篇 Spotlight 论文提出了「自动化失败归因（Automated FAIlure Attribution）」的新研究方向，目标是让 AI 自动回答：是谁、在哪一步导致了失败。

该工作由 Penn State、Duke、UW、Goolge DeepMind 等机构的多位研究人员合作完成。

论文标题：Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems

arXiv 地址：https://arxiv.org/pdf/2505.00212

代码地址：https://github.com/mingyin1/Agents_Failure_Attribution

背景挑战

LLM 驱动的多智能体系统在诸多领域展现出巨大潜力，从自动化助手协同办公到多 Agent 合作完成 Web 复杂操作等。然而，这些系统脆弱性也逐渐显现：多个 Agent 之间的误解、信息传递错误或决策不当，都可能导致整体任务失败。

对于开发者来说，一个失败案例往往意味着必须手动审阅长长的对话日志，试图找出哪个 Agent 在哪一步出了差错。这种调试过程既费时费力，也需要调试者对整个任务逻辑非常熟悉。更大的挑战在于，缺乏系统化的方法来定位失败原因 —— 传统评估只关注任务成功与否，但很少深入到「失败责任」这一层面上。

结果就是，多智能体系统一旦出错，我们往往只能知道「出了问题」却无法快速知道「问题出在哪、因何而起」。这种局面严重限制了多智能体系统的改进和可信度。如果无法自动归因失败，我们就难以针对性地加强某个 Agent 的能力或优化协作策略。换言之，失败归因是连接评估与改进的缺失环节。

研究内容

针对上述挑战，这篇 ICML 2025 Spotlight 论文率先提出并 formalize 了 LLM 多智能体系统的自动化失败归因这一新任务。

研究的核心目标：给定一个多 Agent 协作任务的失败日志，自动确定导致失败的罪魁祸首是哪个 Agent（「Who」），以及决定性错误发生在交互的哪一步（「When」）。

为推动这一方向，作者构建了首个用于失败归因研究的基准数据集 —— 「WhoWhen」。该数据集精心收集了 127 个多智能体系统的失败日志，涵盖了多个公开基准（如 GAIA、AssistantBench 等）中的复杂任务，具有相当的多样性。更重要的是，作者为每条失败日志都提供了细粒度的人工标注：

标记出导致任务失败的责任 Agent （即「Who」，哪个智能体犯了错）

标记出导致失败的关键错误步骤（即「When」，在整个对话 / 操作序列中的第几步出了错）

以及相应的自然语言解释（即「Why」，为什么这个错误会导致失败）

基准数据集地址：https://huggingface.co/datasets/Kevin355/Who_and_When

这种标注使得数据集既可用于训练模型自动定位「谁」和「何时」出错，也方便人类分析失败的原因。数据集中「Who」和「When」标注的引入填补了以往多智能体评测中对失败原因关注的空白。可以说，WhoWhen 数据集为自动失败归因任务提供了首个标准测试床，让研究者能够在统一语境下探索让 AI 自动当「故障侦探」的可能性。

技术细节

有了数据集，接下来作者设计了三种用于自动失败归因的初步方法，并对它们进行了系统比较：

All-at-Once 方法：将完整的多 Agent 日志一次性交给 LLM，让其整体判断「哪个 Agent 在哪一步出错」。优点是调用少、成本低，擅长宏观归因；缺点是信息量大，易错过细节。

Step-by-Step 方法：模拟人工调试，让 LLM 逐轮分析每一步交互，逐步定位错误。优点是粒度细、定位准；缺点是调用频繁、成本高，且误判可能累积。

Binary Search 方法：对日志进行二分，逐步缩小范围，最终锁定出错步骤。在调用次数和定位精度之间取得平衡，适合长日志。缺点是需要多轮交互，复杂度居中。值得注意的是，每种方法在准确性、成本和粒度上各有权衡，没有一种方法能在所有指标上全面胜出。这三种方案共同构成了自动失败归因任务的初步解法库，探索了从「一步到位」到「循序渐进」再到「折中求解」的不同思路。作者在论文中详细讨论了它们各自的优劣。

实验结果

作者在 WhoWhen 数据集上对上述方法进行了系统评估，带来了许多发人深省的发现：

整体表现有限：当前方法效果仍较差。最佳模型在识别出错 Agent 上准确率仅约 53.5%，而准确定位错误步骤的准确率更低，仅 14.2%，几乎接近瞎猜。一些方法甚至表现不如随机，显示任务本身极具挑战性。

各有所长：不同方法擅长不同子任务。All-at-Once 更擅长识别「谁」出错，Step-by-Step 更适合找出「何时」出错，而 Binary Search 表现居中，平衡调用成本和定位精度。