面向基于LLM动作生成自主智能体的分层纠错图框架

我们提出面向基于LLM动作生成的自主智能体的分层纠错图框架（HECG），它包含三项核心创新：（1）多维可迁移策略（MDTS）：通过整合任务质量指标（Q）、置信度/成本指标（C）、奖励指标（R）与基于LLM的语义推理得分（LLM-Score），MDTS实现量化性能与语义上下文之间的多维对齐，从而更精确地选择高质量候选策略，有效降低负迁移风险。（2）错误矩阵分类（EMC）：不同于简单的混淆矩阵或整体性能指标，EMC通过将错误划分为十种类型（如策略错误、脚本解析错误），并按严重程度、典型动作、错误描述与可恢复性进行分解，为任务失败提供结构化归因。这使得能够精确分析任务失败的根本原因，为后续纠错与策略优化提供明确指导，而非仅仅依赖整体成功率或单一性能指标。（3）因果-上下文图检索（CCGR）：为增强智能体在动态任务环境中的检索能力，我们从历史状态、动作与事件序列构建图，其中节点存储已执行动作、下一步动作、执行状态、可迁移策略及其他相关信息，边表示因果依赖（如节点间转移的前置条件）。CCGR识别与当前任务上下文最相关的子图，有效捕捉超越向量相似度的结构化关系，使智能体能够充分利用上下文信息、加速策略适配，并提高复杂多步任务中的执行可靠性。