💻 computer science

CASPIAN: Online Detection and Attribution of Cascade Attacks in LLM Multi-Agent Systems via Cross-Channel Causal Monitoring

CASPIAN एक नवीन ढांचा है जो एक एकीकृत कंडीशनल ट्रांसफर एंट्रॉपी दृष्टिकोण के माध्यम से गतिशील क्रॉस-चैनल प्रभाव प्रसार को मॉडल करके, LLM मल्टी-एजेंट सिस्टम में कैस्केड हमलों का ऑनलाइन पता लगाने और उनके कारण संबंधी एट्रिब्यूशन को सक्षम बनाता है, जो सटीकता और विलंबता में मौजूदा स्थानीय सुरक्षा प्रणालियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Kavana Venkatesh, Jafar Isbarov, Saad Amin, Murat Kantarcioglu, Jiaming Cui

प्रकाशित 2026-05-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kavana Venkatesh, Jafar Isbarov, Saad Amin, Murat Kantarcioglu, Jiaming Cui

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक जटिल समस्या को हल करने के लिए एआई (AI) सहायकों की एक टीम मिलकर काम कर रही है, जैसे कि किसी यात्रा की योजना बनाना या कोई रिपोर्ट लिखना। वे एक-दूसरे से बात करते हैं, नोट्स साझा करते हैं, टूल्स का उपयोग करते हैं और कार्यों को निष्पादित करते हैं। यह एक मल्टी-एजेंट सिस्टम (Multi-Agent System) है।

अब, कल्पना कीजिए कि इनमें से एक सहायक को एक बुरे तत्व (एक "कैस्केड अटैक") द्वारा बहकाया जाता है। इसमें केवल वह एक सहायक गलती नहीं करता, बल्कि वह त्रुटि एक वायरस की तरह फैल जाती है। यह बढ़ती है, साझा की जाती है और सुदृढ़ की जाती है जब तक कि पूरी टीम कुछ गलत करने के लिए एक साथ काम नहीं करने लगती, भले ही प्रत्येक व्यक्तिगत कदम अपने आप में हानिरहित दिखाई दे।

मौजूदा सुरक्षा उपकरण एक दरवाजे पर एक व्यक्ति का आईडी चेक करने वाले बाउंसर की तरह हैं। वे एक समय में एक संदेश या एक एजेंट को देखते हैं। वे इस तथ्य को नहीं देख पाते कि खतरा इस बात में है कि एजेंट विभिन्न चैनलों (चैट, साझा मेमोरी, टूल्स और कोड निष्पादन) के माध्यम से एक-दूसरे को कैसे प्रभावित कर रहे हैं।

CASPIAN एक नया सुरक्षा सिस्टम है जिसे इन "टीम-व्यापी संकटों" को होते ही पकड़ने के लिए डिज़ाइन किया गया है। यह कैसे काम करता है, इसके सरल उदाहरण यहाँ दिए गए हैं:

1. "इन्फ्लुएंस मैप" (द कॉज़ल मैट्रिक्स - The Causal Matrix)

एआई टीम को एक कमरे में मौजूद लोगों के समूह के रूप में सोचें। आमतौर पर, वे विनम्रता से बात करते हैं। लेकिन जब कोई हमला शुरू होता है, तो प्रभाव का एक विशिष्ट पैटर्न उभरता है।

पुराना तरीका: सुरक्षा उपकरण यह सुनते हैं कि लोग क्या कह रहे हैं (टेक्स्ट)।
CASPIAN का तरीका: CASPIAN केवल शब्दों को नहीं सुनता; यह ऊर्जा के प्रवाह (energy flow) को मैप करता है। यह पूछता है: "क्या एजेंट A के कार्य ने एजेंट B के व्यवहार को बदलने का कारण डाला, भले ही एजेंट B के शब्द अभी भी सामान्य लग रहे हों?"
यह एक लाइव, 4-आयामी (4-dimensional) मानचित्र बनाता है कि कौन किसे प्रभावित कर रहा है, जो चार चैनलों के माध्यम से होता है:
1. कम्युनिकेशन (चैट संदेश)
2. मेमोरी (साझा नोट्स)
3. टूल्स (API या सॉफ़्टवेयर का उपयोग)
4. एक्ज़ीक्यूशन (वे कितनी तेज़ी से चलते हैं, त्रुटियां करते हैं, या टोकन का उपयोग करते हैं)

2. "अर्थक्वेक डिटेक्टर" (स्पेक्ट्रल मॉनिटरिंग - Spectral Monitoring)

CASPIAN को कैसे पता चलता है कि बहुत देर होने से पहले ही संकट शुरू हो गया है? यह स्पेक्ट्रल मॉनिटरिंग (Spectral Monitoring) नामक तकनीक का उपयोग करता है।

उदाहरण: कल्पना कीजिए कि एक भीड़ है। यदि वे केवल सामान्य रूप से बातचीत कर रहे हैं, तो उनकी गतिविधियाँ यादृच्छिक (random) और ढीली होती हैं। लेकिन यदि घबराहट शुरू होती है, तो वे अचानक एक ही तालमेल में या एक समान गति से चलने लगते हैं, या कमरे में "ऊर्जा" बढ़ जाती है।
गणित: CASPIAN प्रभाव मानचित्र के "आकार" को देखता है।
- एम्प्लीफिकेशन (Amplification): क्या "शोर" तेज़ हो रहा है? (प्रभाव बढ़ रहा है)।
- सिंक्रोनाइज़ेशन (Synchronization): क्या एजेंट एक कठोर, दोहराव वाले पैटर्न में लॉक हो रहे हैं? (स्पेक्ट्रल गैप कम हो रहा है, जिसका अर्थ है कि सिस्टम अपनी लचीलापन खो रहा है और एक लूप में फंस रहा है)।
- क्रॉस-चैनल स्प्रेड (Cross-Channel Spread): क्या बुरा प्रभाव चैट से मेमोरी और टूल्स तक एक साथ कूद रहा है?
यदि सिस्टम इन विशिष्ट पैटर्न को देखता है, तो वह जानता है कि एक कैस्केड (Cascade) बन रहा है, भले ही टेक्स्ट निर्दोष दिखे।

3. "डिटेक्टिव" (एट्रीब्यूशन - Attribution)

एक बार जब CASPIAN अलार्म बजा देता है, तो वह केवल यह नहीं कहता कि "कुछ गलत है।" यह अपराधी और अपराध के मार्ग को खोजने के लिए एक जासूस की तरह काम करता है। यह पहचानता है:

ओरिजिन (Origin): वह पहला एजेंट जो संक्रमित हुआ (पेशेंट ज़ीरो)।
एम्प्लीफायर (Amplifier): वह एजेंट जिसने त्रुटि को दोहराकर या बढ़ाकर समस्या को और खराब कर दिया।
ब्रिज (Bridge): वह एजेंट जिसने संक्रमण को टीम के एक हिस्से से दूसरे हिस्से तक पहुँचाया।
स्पाइन (Spine): वह मुख्य राजमार्ग जिस पर बुरा प्रभाव यात्रा कर रहा था।

4. यह तेज़ और हल्का क्यों है

पेपर का दावा है कि CASPIAN अविश्वसनीय रूप से कुशल है।

उदाहरण: अधिकांश सुरक्षा प्रणालियाँ एक भारी सुरक्षा गार्ड की तरह हैं जो हर बैग की जाँच करने के लिए पूरी लाइन को रोकता है। CASPIAN एक स्मार्ट कैमरे की तरह है जो वास्तविक समय में ट्रैफ़िक के प्रवाह को देखता है।
यह 1% से भी कम देरी (delay) जोड़ता है। इसे पुराने लॉग्स को फिर से पढ़ने या मानव सहायता मांगने की आवश्यकता नहीं है; यह बातचीत के दौरान चलते समय ही "इन्फ्लुएंस स्कोर" की गणना करता है।

5. परिणाम

शोधकर्ताओं ने विभिन्न एआई फ्रेमवर्क (जैसे AutoGen और CrewAI) में दो प्रमुख बेंचमार्क (TAMAS और ACIArena) का उपयोग करके अन्य सुरक्षा विधियों (जैसे टेक्स्ट फिल्टर और एआई जज) के विरुद्ध CASPIAN का परीक्षण किया।

परिणाम: CASPIAN ने अन्य तरीकों की तुलना में हमलों को बहुत पहले और अधिक सटीकता से पकड़ा।
"अर्ली वार्निंग" (Early Warning): यह अक्सर बातचीत के पहले कुछ दौरों के भीतर ही हमले का पता लगा सकता था, जबकि अन्य विधियाँ तब तक प्रतीक्षा करती थीं जब तक कि नुकसान न हो जाए या वे इसे पूरी तरह से मिस कर देती थीं।
"क्यों": यह इसलिए काम कर गया क्योंकि इसने उनके शब्दों की सामग्री के बजाय टीम की बातचीत की संरचना (structure) को देखा।

सारांश में:
CASPIAN एआई टीमों के लिए एक वास्तविक समय का "इन्फ्लुएंस रडार" है। किसी एजेंट के कुछ बुरा कहने का इंतज़ार करने के बजाय, यह देखता है कि एजेंट एक-दूसरे को कैसे धकेलते और खींचते हैं। यदि यह देखता है कि टीम उनके चैट, मेमोरी और टूल्स के माध्यम से एक खतरनाक, स्वयं को सुदृढ़ करने वाले लूप में फंस रही है, तो यह तुरंत विफलता के स्रोत और मार्ग की पहचान करता है, जिससे पूरे सिस्टम के क्रैश होने से पहले ही कैस्केड को रोका जा सकता है।

तकनीकी सारांश: CASPIAN – LLM मल्टी-एजेंट सिस्टम में कैस्केड हमलों का ऑनलाइन पता लगाना और एट्रिब्यूशन करना

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल मल्टी-एजेंट सिस्टम्स (LLM-MAS) कैस्केड हमलों (cascade attacks) के प्रति तेजी से संवेदनशील होते जा रहे हैं, जो कि आइसोलेटेड प्रॉम्प्ट इंजेक्शन या मतिभ्रम (hallucinations) से भिन्न एक विफलता मोड है। इन हमलों में, एक एकल एजेंट में इंजेक्ट किया गया प्रतिकूल या त्रुटिपूर्ण प्रभाव कई एजेंटों और इंटरैक्शन टर्न्स में फैलता है, बढ़ता है और स्वयं को सुदृढ़ (self-reinforce) करता है। ये कैस्केड सिस्टम की इंटरैक्शन संरचना का लाभ उठाते हैं, जिससे साझा मेमोरी (shared memory) के दूषित होने, टूल आउटपुट के पुनर्निर्देशन और एजेंटों को सामूहिक रूप से त्रुटिपूर्ण प्रक्षेपवक्र (trajectory) की ओर सिंक्रोनाइज़ करने की क्षमता रखते हैं।

इन हमलों का पता लगाने में मुख्य चुनौती साक्ष्य की वितरित और युग्मित प्रकृति (distributed and coupled nature of the evidence) है:

क्रॉस-चैनल प्रसार (Cross-Channel Propagation): प्रभाव संचार (communication), साझा मेमोरी, टूल API और निष्पादन मेटाडेटा (execution metadata) के माध्यम से समवर्ती रूप से फैलता है। केवल एक चैनल की निगरानी करना अधूरा दृष्टिकोण प्रदान करता है।
अस्थायी संचय (Temporal Accumulation): प्रभाव कॉन्टेक्स्ट के पुन: उपयोग के माध्यम से धीरे-धीरे संचित होता है। एक एजेंट स्थानीय स्तर पर सौम्य (benign) दिख सकता है, जबकि सिस्टम सामूहिक रूप से समन्वित विफलता की ओर बढ़ रहा होता है।
मौजूदा सुरक्षा उपायों की सीमाएं: वर्तमान दृष्टिकोण (सिमेंटिक गार्डरेल्स, LLM जज, ग्राफ-आधारित डिटेक्टर) मुख्य रूप से आइसोलेटेड संदेशों, स्टैटिक ग्राफ्स या पोस्ट-हॉक ट्रेसेस पर कार्य करते हैं। वे ऑनलाइन, क्रॉस-चैनल, टेम्पोरल रूप से समन्वित डायनेमिक्स को पकड़ने में विफल रहते हैं, जो अक्सर शुरुआती चरण की विफलताओं को मिस कर देते हैं या ऐसे ऑफलाइन विश्लेषण की आवश्यकता होती है जो रीयल-टाइम हस्तक्षेप को रोकता है।

2. कार्यप्रणाली: CASPIAN फ्रेमवर्क (Methodology: The CASPIAN Framework)

CASPIAN (Cascade Attack Spectral Propagation and Influence Attribution Network) एक एकीकृत फ्रेमवर्क है जिसे कैस्केड हमलों के ऑनलाइन डिटेक्शन और एट्रिब्यूशन के लिए डिज़ाइन किया गया है। यह प्रतिमान को स्थानीय सिमेंटिक निरीक्षण से बदलकर सिस्टम में विकसित होते कारण प्रभाव (causal influence) की संरचना की निगरानी करने की ओर स्थानांतरित करता है।

2.1 एकीकृत क्रॉस-चैनल कॉज़ल मॉडलिंग (Unified Cross-Channel Causal Modeling)

CASPIAN को एक विकसित होते क्रॉस-चैनल कॉज़ल इन्फ्लुएंस टेंसर $A_t \in \mathbb{R}^{N \times N \times |C|}$ के रूप में मॉडल करता है, जहाँ $N$ एजेंटों की संख्या है और $C = \{comm, mem, tool, exec\}$ इंटरैक्शन चैनलों का प्रतिनिधित्व करता है।

प्रभाव अनुमान (Influence Estimation): पूर्ण-अवस्था विश्लेषण (full-state analysis) की कम्प्यूटेशनल लागत से बचने के लिए, CASPIAN एक लेट-इंटरेक्शन कंडीशनल ट्रांसफर एंट्रॉपी (LI-CTE) फॉर्मूलेशन का उपयोग करता है। यह एजेंट $i$ से $j$ तक चैनल $c$ पर निर्देशित प्रभाव $a_{ij}^{(c)}(t)$ का अनुमान लगाता है, यह मापते हुए कि स्रोत की गतिविधि लक्ष्य के वर्तमान व्यवहार को कितना स्पष्ट करती है, जो लक्ष्य की अपनी ऐतिहासिक स्थिति पर आधारित है।
दक्षता (Efficiency): ColBERT-शैली के डिकंपोजिशन से प्रेरित होकर, LI-CTE कॉम्पैक्ट सोर्स और टारगेट प्रोजेक्शन बनाता है, जिससे केवल मिलीसेकंड-स्केल ओवरहेड पेश होता है, जबकि यह हिस्ट्री-अवेयर और निर्देशित निर्भरताओं को कैप्चर करता है।
टेंसर एग्रीगेशन (Tensor Aggregation): चैनल-विशिष्ट प्रभाव मैट्रिसेस को स्पेक्ट्रल विश्लेषण के लिए एक एकीकृत प्रभाव मैट्रिक्स $\tilde{A}_t$ में सामान्यीकृत और एकत्रित किया जाता है, जबकि चैनल-स्तरीय एट्रिब्यूशन के लिए टेंसर संरचना को सुरक्षित रखा जाता है।

2.2 ऑनलाइन स्पेक्ट्रल कैस्केड डिटेक्शन (Online Spectral Cascade Detection)

CASPIAN विकसित होते प्रभाव टोपोलॉजी में स्पेक्ट्रल ट्रांजिशन (spectral transitions) की निगरानी करके कैस्केड का पता लगाता है। यह क्षणिक सहयोगात्मक गतिविधि और स्वयं-सुदृढ़ कैस्केड के बीच अंतर करता है:

संवर्धन (Amplification): प्रभावी ऊर्जा में वृद्धि ( $E_t = \lambda_1(t) + \lambda_2(t)$ )।
सिंक्रोनाइजेशन (Synchronization): स्पेक्ट्रल गैप का कड़ा होना ( $g_t = 1 - \lambda_2(t)/\lambda_1(t)$ ), जो युग्मित प्रसार मोड (coupled propagation modes) को दर्शाता है।
क्रॉस-चैनल प्रसार (Cross-Channel Spread): कई चैनलों में प्रभाव ऊर्जा का वितरण, जिसे नॉर्मलाइज्ड शैनन एंट्रॉपी ( $H_t^{norm}$ ) द्वारा मापा जाता है।
स्थिरता (Persistence): इन डायनेमिक्स का समय के साथ निरंतर सुदृढ़ीकरण।

डिटेक्शन लॉजिक:

WATCH कंडीशन: सक्रिय होती है जब एम्प्लीफिकेशन ग्रोथ, डोमिनेंट मोड द्वारा संचालित टाइटनिंग स्पेक्ट्रल कपलिंग ( $\Delta g_t > 0$ ) के साथ मेल खाती है।
वर्गीकरण (Classification):
- सिंगल-टर्न कैस्केड्स: तुरंत पता लगाया जाता है यदि WATCH एक फेज शिफ्ट (अचानक संरचनात्मक परिवर्तन) या क्रॉस-चैनल स्प्रेड के साथ मेल खाता है, बशर्ते कि एक व्यवहार्य प्रसार पथ (Weak-Link check) मौजूद हो।
- मल्टी-टर्न कैस्केड्स: तब पता लगाया जाता है जब WATCH एक एडेप्टिव विंडो $W_{tw}$ (जो इनवर्स स्पेक्ट्रल गैप द्वारा नियंत्रित होता है) में बना रहता है और इसमें कम से कम एक स्ट्रक्चरल ट्रांजिशन इवेंट शामिल होता है।

2.3 ऑनलाइन कॉज़ल एट्रिब्यूशन (Online Causal Attribution)

डिटेक्शन होने पर, CASPIAN कैश किए गए प्रभाव डायनेमिक्स का उपयोग करके ऑनलाइन एट्रिब्यूशन करता है, जिसमें किसी रीप्ले या पुनर्गणना की आवश्यकता नहीं होती है। यह पहचानता है:

ओरिजिन (Origin): वह एजेंट जिसका ऑनसेट (onset) पर सबसे मजबूत आउटगोइंग प्रभाव होता है।
एम्प्लीफायर (Amplifier): वह एजेंट जो प्रसार को सबसे अधिक सुदृढ़ करता है (उच्च आउटफ्लो-टू-इनफ्लो अनुपात)।
ब्रिज (Bridge): वह एजेंट जो प्रभाव प्राप्त करता है और नेटवर्क में पुनर्वितरित करता है।
प्रसार स्पाइन्स (Propagation Spines): शीर्ष- $K$ डोमिनेंट पाथ्स, जिन्हें उनकी 'वीकेस्ट-लिंक स्ट्रेंथ' द्वारा रैंक किया गया है, साथ ही प्रत्येक स्पाइन के लिए डोमिनेंट इंटरैक्शन चैनल।

3. प्रमुख योगदान (Key Contributions)

एकीकृत क्रॉस-चैनल कॉज़ल मॉडलिंग: LI-CTE फॉर्मूलेशन का उपयोग करके LLM-MAS में संचार, मेमोरी, टूल और निष्पादन चैनलों के माध्यम से निर्देशित इंटर-एजेंट प्रभाव को संयुक्त रूप से मॉडल करने वाला पहला फ्रेमवर्क।
ऑनलाइन स्पेक्ट्रल डिटेक्शन: एक डिटेक्शन मैकेनिज्म जो हमला टेम्पलेट्स, बेनिन कैलिब्रेशन ट्रेसेस, या ऑफलाइन ट्रेनिंग की आवश्यकता के बिना, विकसित होते प्रभाव डायनेमिक्स से सिंगल-टर्न और ग्रेडुअल मल्टी-टर्न कैस्केड्स की पहचान करता है।
रियल-टाइम एट्रिब्यूशन: एक एट्रिब्यूशन स्कीम जो कैश किए गए प्रभाव डायनेमिक्स से सीधे कैस्केड ओरिजिन, एम्प्लीफायर, ब्रिज और प्रसार पथों को रिकवर करती है, जिससे तत्काल हस्तक्षेप संभव होता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

CASPIAN का मूल्यांकन दो बेंचमार्क (TAMAS और ACIArena) पर चार LLM-MAS फ्रेमवर्क्स (AutoGen, CrewAI, MetaGPT, LLM Debate) में 727 परिदृश्यों और 2,908 निष्पादन ट्रेसेस के माध्यम से किया गया।

डिटेक्शन प्रदर्शन (Detection Performance): CASPIAN ने लगातार सिमेंटिक गार्डरेल्स (जैसे PromptGuard), LLM-आधारित जजों और ग्राफ-आधारित डिटेक्टरों (जैसे G-Safeguard) को पछाड़ दिया।
- AUROC: अधिकांश कॉन्फ़िगरेशन में 0.90 से अधिक रहा (जैसे, AutoGen पर 0.942)।
- अर्ली डिटेक्शन (EDR@5): AutoGen पर इंजेक्शन के 5 टर्न्स के भीतर डिटेक्शन में ~79% मामलों में सफलता मिली, जो बेसलाइन्स (जैसे, बेस्ट ग्राफ-आधारित बेसलाइन के लिए 0.792 बनाम 0.482) से काफी बेहतर है।
- मजबूती (Robustness): प्रदर्शन विभिन्न प्रकार के हमलों (इंटेंट मैनिपुलेशन, एक्जीक्यूशन अटैक्स, कोऑर्डिनेशन अटैक्स) और फ्रेमवर्क टोपोलॉजी में मजबूत बना रहा।
एट्रिब्यूशन सटीकता (Attribution Accuracy):
- ओरिजिन लोकलाइजेशन: उच्च सटीकता (Acc@1 $\approx$ 0.86 TAMAS AutoGen पर)।
- ब्रिज/एम्प्लीफायर: स्थिर रिकवरी, हालांकि डिस्ट्रिब्यूटेड टोपोलॉजी में ब्रिज की पहचान करना अधिक चुनौतीपूर्ण है।
- पाथ रिकवरी: स्पाइन Jaccard@3 स्कोर सभी सेटिंग्स में 0.62 से ऊपर रहा।
दक्षता (Efficiency): CASPIAN <1% रिलेटिव ओवरहेड लेटेंसी (जैसे, बेनिन ट्रेसेस पर ~0.66%) के साथ काम करता है, जो इसे ऑनलाइन परिनियोजन (deployment) के लिए उपयुक्त बनाता है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि LLM मल्टी-एजेंट सिस्टम में कैस्केड विफलताओं को विश्वसनीय रूप से पता लगाने और समझने के लिए एकीकृत क्रॉस-चैनल कॉज़ल मॉडलिंग आवश्यक है। पूर्व विधियों के विपरीत जो प्रॉम्प्ट या स्टैटिक ग्राफ के बारे में स्थानीय रूप से तर्क देती हैं, CASPIAN कैस्केड हमलों की मौलिक प्रकृति को एक ग्लोबल प्रोपेगेशन प्रोसेस के रूप में संबोधित करता है।

लेखकों द्वारा रेखांकित मुख्य बातें:

स्ट्रक्चरल रीऑर्गनाइजेशन (Structural Reorganization): कैस्केड की शुरुआत (onset) केवल अलग-थलग विसंगतियों के बजाय इंटर-एजेंट प्रभाव के संरचनात्मक पुनर्गठन (एम्प्लीफिकेशन, सिंक्रोनाइजेशन, क्रॉस-चैनल स्प्रेड) द्वारा चिह्नित होती है।
ऑनलाइन व्यवहार्यता (Online Viability): फ्रेमवर्क प्रदर्शित करता है कि जटिल कॉज़ल मॉनिटरिंग को नगण्य लेटेंसी के साथ ऑनलाइन निष्पादन में एकीकृत किया जा सकता है, जिससे रीयल-टाइम हस्तक्षेप सक्षम होता है।
संदेश निरीक्षण से परे (Beyond Message Inspection): निष्पादन, मेमोरी और टूल चैनलों की निगरानी करना महत्वपूर्ण है; मैसेज-ओनली मॉनिटरिंग उन सिस्टम में प्रसार संकेतों को पकड़ने में विफल रहती है जिनमें निरंतर मेमोरी या टूल एक्सेस होता है।
व्याख्यात्मकता (Interpretability): एट्रिब्यूशन क्षमताएं विफलता का ट्रेस-कंडीशन्ड डिकंपोजिशन प्रदान करती हैं, जो सुरक्षा ऑडिटिंग और एजेंट समन्वय डायनेमिक्स के विश्लेषण का समर्थन करती हैं।

यह कार्य निष्कर्ष निकालता है कि स्ट्रक्चरल कॉज़ल मॉनिटरिंग जटिल LLM-एजेंट इकोसिस्टम में सुरक्षा और ऑडिटिंग के लिए एक स्केलेबल आधार प्रदान करती है, जो स्थानीयकृत सिमेंटिक निरीक्षण की सीमाओं से आगे निकल जाती है।