The Agentic Leash：用 LLM 提取因果反馈模糊认知图

我们设计了一个大语言模型（LLM）智能体系统，用于从原始文本中提取因果反馈模糊认知图（FCM）。这一因果学习或提取过程之所以是 Agentic 的，既因为 LLM 具有半自主性，也因为最终是 FCM 动力系统的平衡点驱使 LLM 智能体去获取并处理因果文本。所获取的文本原则上可以修改自适应 FCM 的因果结构，从而修改其准自主性的来源——即其平衡极限环与不动点吸引子。这一双向过程赋予不断演化的 FCM 动力系统一定程度的自主性，同时系统仍被拴在它的 Agentic 缰绳上。我们特别展示，由三组系统指令构成的序列引导 LLM 智能体系统性地从文本中提取关键名词与名词短语，从中提取 FCM 概念节点，然后在这些 FCM 节点之间提取或推断部分或模糊的因果边。我们在已故外交官与政治理论家亨利·基辛格（Henry Kissinger）及其同事一篇关于 AI 前景的文章上测试了这种 FCM 生成。这一三步流程产生的 FCM 动力系统收敛到与人工生成的 FCM 相同的平衡极限环，尽管人工生成的 FCM 在节点数与边数上有所不同。最后一个混合 FCM 混合了由 Gemini 与 ChatGPT 两个独立 LLM 智能体分别生成的 FCM。该混合 FCM 吸收了其主导混合分量的平衡点，同时也创建了自身的新平衡点，以更好地逼近底层的因果动力系统。