في السنوات الأخيرة، شهدت أنظمة العملاء متعددة الوكلاء القائمة على نماذج اللغات الضخمة (LLM) تطوراً سريعاً ونجاحاً ملحوظاً. لكن على الرغم من وعودها، لا تزال هذه الأنظمة تواجه مشاكل، حيث تظهر أحياناً أخطاء في التفكير والتنسيق يمكن أن تؤدي إلى فشل شامل للنظام. تعتمد عمليات تحديد أسباب الفشل على تتبع التفاعلات اللغوية الطبيعية بين الوكلاء لتحديد الخطأ الحاسم، والذي يُشير إلى الإجراء الأول الذي يمكن تصحيحه لعكس فشل النظام.

تواجه هذه العملية تحديين رئيسيين: الأول هو "التحديد السطحي"، حيث غالباً ما تلتقط الطرق الحالية الانحرافات الطفيفة، مثل الاسترجاعات غير الكاملة أو الأخطاء التنسيقية، التي يمكن تصحيحها بواسطة آليات التحقق، بينما تفوت الأسباب الحقيقية للفشل؛ والثاني هو "تدهور السياق"، حيث تتدهور قدرة النموذج على التفكير بسرعة مع زيادة طول تتبعات النظام.

لذلك، تم اقتراح إطار DCFA كحل مبتكر للتغلب على هذه التحديات، وهو إطار عمل غير مدرب يدمج نموذجاً عالمياً يبني رسومات بيانية هيكلية ملهمة سببية من تتبعات النظام لتحديد الخطأ الحاسم الأول، ونموذجاً محلياً يستخدم التفكير المستلهم من العواقب المحلية لتحسين تحديد السبب.

أثبتت تجارب على معيار Who&When عبر ستة نماذج للغات الضخمة (LLMs) أن DCFA يحسن الدقة على مستوى الخطوة بنسبة تصل إلى 8.27% مقارنة بالأساليب الأكثر تقدماً. هذا التطور الجديد يعدّ اختراقاً هاماً في مجال الذكاء الاصطناعي ويفتح آفاقاً واسعة لتحسين أنظمة العملاء متعددة الوكلاء.