标题： 基于语义合作博弈的 LLM 多智能体系统贡献归因
摘要： 贡献归因已成为基于大语言模型（LLM）的多智能体系统中的核心问题，此类系统的最终输出由多个智能体、消息交换以及有序的工作流依赖关系共同产生。现有的归因方法通常依赖反事实估值，例如移除智能体或比较不同智能体子集下的分数变化。在语言介导的工作流中，这些方法需要重复调用模型，引入高方差，且无法显式捕捉智能体在产生、保留和转化任务相关信息过程中所经历的中间语义状态。我们提出语义合作博弈（SCG）框架，该框架将已实现的语言流表示为语义生成超图，并在此结构上诱导出智能体级别的语义价值函数。我们定义了语义沙普利值（SSV），以基于语义支持逻辑分配贡献，并引入 SLIC——一种单轨迹算法，该算法构建语义超图、恢复最小语义支持、应用布尔吸收，并在无需重新运行智能体子集的情况下计算 SSV。我们证明，在标准的基于集合、完全可观测且无顺序依赖的条件下，SSV 可退化为经典沙普利值。在满足这些条件的医学基准测试中，SLIC 将计算成本降低了 93.3%，同时与蒙特卡洛沙普利基线保持高度一致。在更通用的多角色工作流中，SSV 与扰动引起的分数下降曲线保持一致，并揭示了语义贡献与故障影响可能偏离的情况。总体而言，SLIC 为复杂的基于 LLM 的多智能体系统提供了一种快速、无需反事实且可解释的归因方法。