面向工具使用 LLM 智能体的信息保真度：模型上下文协议中的鞅分析

随着由大语言模型（LLM）驱动的 AI 智能体越来越多地使用外部工具进行高风险决策，一个关键可靠性问题随之而来：错误如何在连续的工具调用中传播？我们引入了分析模型上下文协议（MCP）智能体错误累积的首个理论框架，证明累积失真呈线性增长，并以高概率受到 $O(\sqrt{T})$ 的界限约束。这种浓度特性确保了系统行为的可预测性，并排除了指数级失效模式。我们发展了一种混合失真度量，结合离散事实匹配与连续语义相似性，然后在连续的工具交互过程中建立鞅浓度界限。实验在 Qwen2-7B、Llama-3-8B 和 Mistral-7B 上进行，验证了我们的理论预测，显示经验失真呈线性趋势，偏差始终在 $O(\sqrt{T})$ 的包围范围内。关键发现包括：语义加权可降低 80% 的失真，定期约每 9 步进行一次重新 grounding 足以控制误差。我们将这些浓度保证转化为可信任智能体系统的可操作部署原则。