研究人员开发了MAScope，一个旨在诊断多智能体大语言模型（LLM）系统故障的新颖框架。该系统利用智能体之间的通信拓扑来区分不同的故障模式，这些模式通常表现出相似的症状。MAScope包含一个Trace Structural Extractor，用于从执行跟踪中重建通信拓扑，以及一个Topology-Conditioned Judge，用于根据拓扑、跟踪数据和经验先验来分类故障。实验表明，结合拓扑上下文显著提高了诊断准确性，将gpt-mini的Macro-F1分数从0.173提高到0.350，并使用预测拓扑达到了0.346的分数，接近gpt-5.4的基线。 AI
影响 这项研究可能有助于更强大、更有效地调试复杂的多智能体人工智能系统，提高其可靠性。
排序理由 该集群包含一篇学术论文，详细介绍了诊断LLM故障的新框架和实验结果。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.MA (Multiagent) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
