🔥 今日值得一读
多智能体一错就崩？ARIA用3953个修复对实时纠错！
ARIA: Runtime Inspection and Amendment for Multi-Agent Systems
📖 AI 总结
该论文提出ARIA框架，旨在解决基于大语言模型的多智能体系统中局部错误逐级传播、最终导致任务失败的问题。现有方法多依赖事后诊断或反复重跑以寻找修正方案，无法在执行过程中形成可学习的干预策略。ARIA的核心思路是将经执行验证的修复转化为可复用监督信号，把修复搜索前移至数据构建与训练阶段，从而让模型在运行时直接干预而无需反复试错。为此，作者跨四个多智能体框架、六个基准和八个宿主模型收集了逾24000条成功与失败轨迹，构建了据称首个将失败轨迹与执行验证修复配对的大规模数据集，包含3953对验证修复，每对均标明错误所在、干预位置及后续执行方式。基于该数据训练的紧凑模型能识别何时需要干预并纠正进行中的执行，且可泛化至未见过的框架与宿主模型，在事后与运行时两种设置下均表现良好。
🔑 关键词速览
| 多智能体系统（MAS） | 由多个基于大语言模型的智能体协同完成任务的系统，智能体之间相互依赖，局部错误容易传播。 |
| ARIA | 本文提出的智能体运行时检查与修正框架，用于学习何时以及如何修复正在进行的多智能体执行过程。 |
| 执行验证的修复 | 经过实际执行确认能够成功纠正失败轨迹的修复方案，被用作可复用的监督信号。 |
| 运行时干预 | 在多智能体系统执行过程中实时识别错误并施加修正，而非事后诊断或反复重跑。 |
| 续接替换 | 一种机制，允许在运行中替换后续执行路径，从而将修复方案无缝接入正在进行的轨迹。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅