[CL]《Tokengeist: Multi-Turn Attribution Tracing in Agentic Conversations》J Tang, S Barke, S Agarwal [Microsoft Research & University of Toronto] (2026)

在 Agent 多轮对话领域，追踪模型回复中特定片段的来源是一个悬而未决的难题。过去的方法受困于“扁平化溯源”，即只在全量上下文中进行单次搜索，本质原因是模型生成的中间回复（如总结或工具调用）会掩盖原始证据，导致溯源信号在长序列中发生断裂和坍塌。

本文的核心洞见是：把对话溯源重新看作对有向无环图（DAG）的递归遍历。由此，Tokengeist 这一关键操作使问题得以解开：它从目标片段出发，利用现有归因算法识别直接相关的上文，若该上文是模型生成的中间层，则递归地对其再次溯源，直到触达原始用户输入或工具返回的真实元数据。

这项工作真正留下的遗产是建立了多轮对话归因（MTCA）的形式化框架，将溯源召回率从不足 20% 提升至 90%。它为后来者打开的新门是实现 Agent 决策链条的透明审计与自动纠错，但尚未跨过的门槛是降低递归计算的高昂开销，以及在跨会话的超长记忆中保持归因的精确度。

arxiv.org/abs/2607.22610 #机器学习# #人工智能# #论文# #AI创造营#