基于马尔可夫转移动力学的多智能体系统主动错误预测框架ProMAS
人工智能
2026-03-24 v1
摘要
将大型语言模型集成到多智能体系统(MAS)中，使能够通过协作推理解决复杂、长期程度的任务。然而，这种集体智能本质上脆弱，由于单个逻辑谬误会迅速传播并导致系统级失败。大多数当前研究依赖事后失败分析，阻碍了实时干预。为此，我们提出PROMAS，一个利用马尔可夫转移进行预测性错误分析的框架。PROMAS提取因果Delta特征来捕捉语义位移，将其映射到量化的向量马尔可夫空间，以概率性方式建模推理。通过集成主动预测头与跳跃检测，方法利用风险加速度而非静态阈值进行错误局部化。在Who&When基准上，PROMAS在 step-level 准确率达到22.97%，仅处理27%的推理日志。该性能与反应监视器如MASC相当，同时将数据开销降低73%。虽然该策略在准确率上以事后方法为代价，但显著改善了干预延迟，在诊断精度与自主推理的实时需求之间取得了平衡。
引用
@article{arxiv.2603.20260,
title = {ProMAS: Proactive Error Forecasting for Multi-Agent Systems Using Markov Transition Dynamics},
author = {Xinkui Zhao and Sai Liu and Yifan Zhang and Qingyu Ma and Guanjie Cheng and Naibo Wang and Chang Liu},
journal= {arXiv preprint arXiv:2603.20260},
year = {2026}
}