LLM 驱动流程促进可解释 AI
人工智能
2025-11-11 v1
摘要
我们提出一种模块化、可解释的 LLM-智能体管道，用于决策支持，将推理外部化为可审计制品。该系统实例化了三个框架：Vester 的敏感性模型（因子集、带符号影响矩阵、系统性角色、反馈环路）；常规博弈（策略、收益矩阵、均衡）；以及序列博弈（角色条件化智能体、树构建、逆归法）。在每一步都可更换模块。LLM 组件（默认：GPT-5）配合用于均衡和基于矩阵的角色分类的确定性分析器，产生可追溯的中间结果而非不透明输出。在真实世界物流案例中（100 次运行），因子与人类基线的平均对齐率在 26 个因子上为 55.5%，在 transport-core 子集上为 62.9%；角色匹配率为 57%。使用八标准评分表的 LLM 裁判（最高分 100）对运行结果的评分与重构的人类基线相当。可配置的 LLM 管道因而能够以透明、可检查的步骤模拟专家工作流程。
引用
@article{arxiv.2511.07086,
title = {LLM Driven Processes to Foster Explainable AI},
author = {Marcel Pehlke and Marc Jansen},
journal= {arXiv preprint arXiv:2511.07086},
year = {2025}
}