基于内语与持久记忆的证据驱动型人机交互中的因式推理

基于对话的人机交互要求机器人认知助手维持持久的用户上下文、恢复不完整的请求，并在保持中间决策可验证性的前提下，将响应锚定在外部证据上。本文引入 JANUS，一种为助理式机器人设计的认知架构，将交互建模为部分可观测马尔可夫决策过程，并实现了具备类型化接口的因式控制器。为此，JANUS (i) 将整体行为分解为与范围检测、意图识别、记忆、内语、查询生成和外语相关的专门模块， (ii) 暴露用于信息充分性、执行就绪性和工具锚定的显式策略。专门的记忆代理维护一个受限的近期历史缓冲区、紧凑的核心记忆以及具备语义检索功能的归档存储，通过受控的整合与修订策略进行耦合。受认知理论中内语概念启发的模型提供一种面向控制的内部文本流程，用于验证参数完整性，并在锚定前触发澄清，同时一种忠实性约束将机器人与人类声明与结合了工作上下文和检索工具输出的证据包束相联系。我们通过在以知识图谱为基础的饮食助理领域中进行模块级单元测试来评估 JANUS，报告了与精选参考答案高度一致的结果以及实际可行的延迟配置。这些结果表明，因式推理是实现可扩展、可审计且证据驱动型机器人助理的有前景的路径，能够支撑持久交互期间的可靠运行。