STAR：面向多智能体时空推理的故障感知马尔可夫路由

组合时空推理通常要求系统调用多个异构专家，如几何、时间、拓扑和轨迹智能体。一个核心问题是，当执行并非简单地成功或失败，而是以定性不同的方式失败时，此类系统应如何在专家之间进行路由。现有的工具增强型与多智能体 LLM 系统通常将此路由决策隐含于语言生成中，使得恢复过程具有临时性、难以解释且难以优化。本文提出了 STAR（Spatio-Temporal Agent Router，时空智能体路由器），一种故障感知路由框架，将智能体间控制外化为基于当前智能体、任务类型和类型化执行状态的状态条件转移策略。STAR 的核心是一个智能体路由矩阵，它结合了专家指定的名义路由与从执行轨迹中学习到的恢复转移。由于该矩阵以不同的故障状态为条件，路由器能够对格式错误的输出、缺失的依赖项和工具-查询不匹配做出不同响应，而不是将它们折叠为通用的重试信号。专家通过基于工具的提取-计算-存储协议执行，并将中间结果写入共享黑板以供下游融合。结果证明，在训练期间保留不成功的轨迹能够扩大路由策略在错误状态上的支持集，从而实现仅成功训练无法表示的恢复转移。在三个时空基准和八个骨干 LLM 上，STAR 优于多个基线，在执行偏离名义路由路径的查询上提升最为明显。路由器特定的消融实验和恢复分析进一步表明，类型化的故障感知路由，而非单纯的专家组合，是这些提升的关键因素。