论文
ProMAS：利用马尔可夫转移动力学对多智能体系统进行主动错误预测
ProMAS: Proactive Error Forecasting for Multi-Agent Systems Using Markov Transition Dynamics
摘要
将大语言模型集成到多智能体系统（MAS）中，使其能够通过协作推理解决复杂的长时程任务。然而，这种集体智能本质上是脆弱的：单个逻辑谬误就可能迅速传播并导致系统级失败。目前大多数研究依赖事后失败分析，因而阻碍了实时干预。为解决这一问题，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主动式框架。PROMAS 提取因果增量特征（Causal Delta Features）以捕捉语义位移，将其映射到量化的向量马尔可夫空间，把推理建模为概率性转移。通过集成带跳变检测的主动预测头，该方法经由风险加速度而非静态阈值来定位错误。在 Who&When 基准上，PROMAS 在仅处理 27% 推理日志的情况下取得 22.97% 的步骤级准确率。这一性能可与 MASC 等反应式监控器相媲美，同时将数据开销降低 73%。尽管相比事后方法该策略存在准确率上的取舍，它显著改善了干预时延，在诊断精度与自主推理的实时需求之间取得平衡。
