面向基于 LLM 动作生成的自主代理的分层纠错图框架
计算机视觉与模式识别
2026-03-10 v1
摘要
我们提出一种面向自主代理的分层纠错图框架 (HECG)，其集成了三个核心创新：(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语境之间的多维对齐，使更精准地选择高质量候选策略，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 通过将错误分为十类（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，提供任务失败的结构化归因。这为后续错误纠正和策略优化提供了清晰指导，而不仅仅是依赖整体成功率或单一绩效指标。(3) 因果语境图检索 (CCGR)：为增强代理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、可迁移策略及其他相关信息，边缘代表因果依赖关系，如节点之间转换的前提条件。CCGR 识别与当前任务语境最相关的子图，有效捕捉超越向量相似性的结构关系，使代理能够充分利用语境信息，加速策略适应，并在复杂多步骤任务中提高执行可靠性。
引用
@article{arxiv.2603.08387,
title = {AULLM++: Structural Reasoning with Large Language Models for Micro-Expression Recognition},
author = {Zhishu Liu and Kaishen Yuan and Bo Zhao and Hui Ma and Zitong Yu},
journal= {arXiv preprint arXiv:2603.08387},
year = {2026}
}