面向大语言模型驱动AI系统的自主问题形成

大语言模型（LLM）驱动的AI系统在动态开放环境中的自主决策方面正变得日益重要。然而，大多数现有系统依赖预定义任务和固定提示，限制了其在环境条件变化时自主识别应当解决什么问题的能力。本文提出一个基于人类模拟的框架，使AI系统能够通过对其内部状态、环境观察以及与其他AI系统的交互进行推理，自主形成问题并设定任务。该方法将问题形成视为先于任务选择与执行的一等决策过程，并整合内部驱动、环境感知与agent间感知三类提示作用域，逐步扩展认知覆盖范围。此外，该框架支持从经验中学习问题形成过程，使系统能够随时间提升适应性与决策质量。在多智能体仿真环境中的实验结果表明，与内部驱动基线相比，环境感知提示显著减少无进食（no-eat）事件，而agent间感知提示在20天仿真中进一步将累计无进食事件减少超过60%，改进具有统计显著性（p < 0.05）。