DenoiseFlow：面向可靠 LLM 智能体工作流程的不确定性感知去噪
人工智能
2026-03-03 v1
摘要
自主智能体正越来越多地被信任处理数学推理和软件生成等复杂、长期程度的任务。虽然智能体工作流程通过将任务分解为多步骤推理链来实现这些任务，但随着序列长度增加，可靠性会显著下降。具体而言，自然语言指令中微小的解释错误会在步骤之间静默地累积。我们称这种故障模式为累积的语义歧义。现有方法往往缺乏运行时自适应性，依赖静态探索预算、反应式错误恢复或忽略不确定性的单路径执行。我们将多步骤推理过程 formalize 为 Noisy MDP，并提出 DenoiseFlow，一个闭环框架，通过三个协调的阶段实现渐进式去噪：（1）感知估计每一步的语义不确定性；（2）调节自适应分配计算资源，通过在快速单路径执行和并行探索之间进行路由来根据估计风险进行分配；（3）通过基于影响力的根因定位进行针对性恢复。线上自校准持续将决策边界与验证器反馈对齐，无需真实标签。实验在涵盖数学推理、代码生成和多跳问答的六个基准上表明，DenoiseFlow 在每个基准上都实现了最高准确率（83.3% 平均，比最强基线高出 1.3%），通过自适应分支将成本降低 40--56%。详细的消融研究进一步确认了框架层面的鲁棒性和通用性。代码可在 https://anonymous.4open.science/r/DenoiseFlow-21D3/ 上获取。
引用
@article{arxiv.2603.00532,
title = {DenoiseFlow: Uncertainty-Aware Denoising for Reliable LLM Agentic Workflows},
author = {Yandong Yan and Junwei Peng and Shijie Li and Chenxi Li and Yifei Shang and Can Deng and Ruiting Dai and Yongqiang Zhao and Jiaqi Zhu and Yu Huang},
journal= {arXiv preprint arXiv:2603.00532},
year = {2026}
}