다중 에이전트 시스템에서의 실패 원인 규명은 중요하지만 해결되지 않은 과제입니다. 기존 방법들은 긴 대화 로그를 통한 패턴 인식으로 접근하여 단계별 정확도가 매우 낮았습니다. 이는 강력한 반사실적 추론, 즉 단일 행동 수정이 실패를 막았을지를 판단하는 능력이 부족하기 때문입니다. 본 논문에서는 이러한 반사실적 추론 간극을 해소하기 위해, 실패 원인 규명을 패턴 인식에서 구조화된 인과 추론 과제로 전환하는 새로운 에이전트 프레임워크인 Abduct-Act-Predict (A2P) Scaffolding을 제시합니다. A2P는 대규모 언어 모델을 안내하여 단일 추론 과정 내에서 세 단계(1. 가설 설정: 에이전트 행동 뒤에 숨겨진 근본 원인 추론, 2. 행동: 최소한의 수정 개입 정의, 3. 예측: 이후 궤적 시뮬레이션 및 개입이 실패를 해결하는지 확인)의 공식적인 추론 과정을 거칩니다. WhoWhen 벤치마크를 이용한 실험 결과, A2P는 기존 방법보다 2배 이상 향상된 단계별 정확도를 달성했습니다.
