AI智能体行为诊断框架：层次归因方法

一篇于2026年7月发表在arXiv AI上的论文提出了一个针对AI智能体行为的诊断框架，即层次归因（layer attribution）。该框架将行为来源分为计算层（架构、记忆、感知、注意力、表征）和行为调制层（身份、资源、目标、社会互动、制度约束、治理），并阐明三个后果：代理有效性是模型-任务-层关系、人机分歧可作为诊断证据、治理需在干预前先溯源。

此前评估AI智能体行为往往忽略其来源差异，相同行为模式可能源于不同层面（计算能力或社会规则）。本框架首次系统化地要求区分行为产生的底层原因，使验证与治理有更精确的目标，改变了单纯靠输出判断智能体行为的做法。

框架通过两层分解定位行为来源：计算层决定哪些行为在技术上可行（例如通过架构和记忆容量）；行为调制层则通过身份、目标、交互规则等约束调节这些能力的具体表达。这解释了为何相同行为可能由不同层驱动，也说明调整干预需先归因。

• 该框架是否已在实际AI agent（如LLM驱动的多智能体系统）中经过实证验证？
• 不同智能体架构（如ReAct、Plan-and-Execute）在框架中如何映射到计算层与调制层？
• 是否存在可用的自动化工具，能基于该框架对智能体行为进行源级诊断？