BoardroomAI：经由演化决策图实现依赖感知、人类可引导的多智能体商议

组织决策是在证据、约束和人类优先级持续演化的过程中共同形成的。在传统的基于对话转录的多智能体系统中，人类通常只提供初始问题，智能体在内部商议，系统返回最终响应。BoardroomAI 则把人类视为持续参与者，可以通过质疑假设、修改约束、改变优先级、引入证据或重定向决策过程来进行干预。我们通过四个组件实现这种人-智能体共存：（i）类型化决策图，表示证据、假设、约束、主张、异议、备选方案、风险、决策、语义依赖和专家职责；（ii）干预编译器，把确认的人类动作转换为显式的图更新；（iii）依赖感知传播，识别受影响的子图、保留未受影响的产物，并选择性地重新激活相关专家；（iv）评估框架，度量干预影响、修复覆盖率、保留率、重计算和决策有效性。在 600 个生成的决策 DAG 干预上，传播方法在只检查 14.59% 节点的情况下匹配了穷举式影响计算。在一个 12 个案例的探索性试点中，选择性修复重计算了 62.11% 的规范节点，保留了所有金标准判定的未受影响节点，在六个案例中产出有效的更新决策，并在其余六个中弃权。这些弃权表明，即便干预路由正确，仍可能无法为综合提供足够的上下文，由此引出了面向人类引导多智能体商议的“决策充分上下文闭合”概念。所有结果均为合成数据且处于原型级别。