论文arxiv cs.AI · 4d ago重要
BOHM: Zero-Cost Hierarchical Attribution for Compound AI Systems
分类释义：学术论文 / 技术报告
TL;DR
BOHM 是一种针对复合 AI 系统的归因方法，通过复用路由权重在每一层实现零成本归因，无需访问组件内部或评估任意子集，相比 SHAP 可节省 9000 倍计算量。
关键要点
- 01BOHM 是一种针对复合 AI 系统的归因方法。
- 02通过复用路由权重在每一层实现零成本归因。
- 03无需访问组件内部或评估任意子集。
- 04相比 SHAP 可节省 9000 倍计算量。
为什么值得关注
Agent 系统调试时，SHAP 要求穷举评估组件子集但往往因第三方 API 或不透明端点而失效，BOHM 直接从现有路由状态提取归因，工程师只需保留路由日志即可定位瓶颈组件。其与 SHAP 的分歧本身也可作为诊断信号——当两者不一致时，说明路由器可能未选到最优工具。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 评估是否将 BOHM 纳入 Agent 系统的标准调试工具链 |
| 应用工程师 | 记录路由日志以支持后续归因分析，无需改变现有组件代码 |
| 运维 / 平台 | 确保路由决策日志持久化存储，支持事后归因查询 |
| 产品 / 业务 | 暂无直接影响，了解即可 |
同类资讯
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5