基于大型语言模型（LLM）的多智能体系统（MAS）通过角色分工和结构化交互为处理复杂任务提供了有前景的框架。然而，其性能常受限于协同不足，更根本的是缺乏跨智能体的细粒度信用分配。现有方法通常依赖粗粒度的反馈，难以识别哪个智能体或交互步骤导致了错误。我们提出基于梯度的连接（GBC），一种用于多智能体系统细粒度归因和优化的方法。GBC将MAS建模为计算图，并引入基于梯度的连接权重，以token级别量化每个智能体输出对下游智能体的影响。通过构建归因图并将任务特定损失信号反向传播，我们的方法能够精确识别错误源并进行有针对性的提示优化。我们进一步开发了AgentChord，一种利用前缀梯度计算的高效实现。在MultiWOZ和τ-bench上的实验表明，GBC提升了多智能体性能，并优于强单智能体和多智能体基线，且更高的归因质量与更好的优化效果相关。代码可在 https://github.com/yxc-cyber/AgentChord 获取。