StepFinder：一种用于多智能体系统故障归因的时间语义框架

基于大语言模型的多智能体系统在复杂多步任务中表现卓越，但极易受单步执行错误影响导致级联失败。现有故障归因方法主要依赖大模型直接推理原始轨迹，存在成本高、延迟大及噪声干扰严重等问题。为此，本文提出 StepFinder，一种轻量级故障归因框架。该框架仅在特征构建阶段使用大模型将日志编码为时间语义序列，随后利用参数高效的时间建模与注意力模块捕捉轨迹的时序演化与跨步依赖，最终通过多尺度差异与位置偏差精化步骤级误差评分。实验表明，该方法在 Who&When 基准上优于现有大模型方法，且推理效率显著提升。