面向具备 LLM 动作生成的自主智能体的层次化错误纠正图框架
人工智能
2026-04-07 v4
摘要
我们提出一种面向具备 LLM 动作生成的自主智能体的层次化错误纠正图框架 (HECG)，其包含三个核心创新：(1) 多维可迁移策略 (MDTS)：通过整合任务质量指标 (Q)、置信度/成本指标 (C)、奖励指标 (R) 以及 LLM 基于语义推理的得分 (LLM-Score)，MDTS 实现了量化性能与语义上下文之间的多维对齐，实现对高质量候选策略的更精确选择，从而有效降低负迁移风险。(2) 错误矩阵分类 (EMC)：不同于简单混淆矩阵或整体绩效指标，EMC 通过将错误分类为十种类型（如策略错误 (Strategy Error) 和脚本解析错误 (Script-Parsing-Error)），并根据严重程度、典型动作、错误描述和可恢复性进行分解，提供了任务失败的结构化归因。这使得对任务失败根源的精确分析成为可能，为后续错误纠正和策略优化提供明确指导，而不仅仅是依赖整体成功率或单一绩效指标。(3) 因果上下文图检索 (CCGR)：为增强代理人在动态任务环境中的检索能力，我们从历史状态、动作和事件序列构建图形，其中节点存储已执行的动作、下一步动作、执行状态、可迁移策略以及其他相关信息，边缘表示诸如节点之间转换的前置条件等因果依赖。CCGR 识别与当前任务上下文最相关的子图，有效捕捉超越向量相似性的结构关系，使代理人能够充分利用上下文信息，加速策略适应，并在复杂的多步骤任务中提高执行可靠性。
引用
@article{arxiv.2603.08388,
title = {A Hierarchical Error-Corrective Graph Framework for Autonomous Agents with LLM-Based Action Generation},
author = {Cong Cao and Jingyao Zhang and Kun Tong},
journal= {arXiv preprint arXiv:2603.08388},
year = {2026}
}