业务过程分析中声明式代理人工智能的形式化框架
摘要
本文提出了一种基于AGO方法论的代理业务过程分析形式化框架,以形式化精度定义了代理、目标和对象,从而为代理人工智能构建可验证的知识库。
arXiv:2606.15291v1 公告类型:新
摘要:代理人工智能为自动化业务流程(BP)开辟了新机遇,实现了自主决策和动态自适应。然而,要发挥这一潜力,需要以形式化精度定义业务流程实体及其交互。本文提出了一种基于AGO方法论的代理业务流程分析形式化框架。AGO从谁在行动(代理)、为何执行(目标)以及相关实体是什么(对象)的角度捕捉建模视角。基于集合论和数理逻辑,我们形式化定义了AGO实体类型及其交互,将所有定义组织成业务流程知识库(BPKB)。由此产生的BPKB支持结构化查询、增量更新和BP工作流的自动生成,同时确保导出路径的正确性和完整性。
查看缓存全文
缓存时间: 2026/06/16 11:44
# 业务流程分析中声明式代理AI的形式化框架 来源: https://arxiv.org/html/2606.15291 \copyrightclause 本文作者拥有版权。允许根据知识共享署名4.0国际许可协议(CC BY 4.0)使用。 \conference Ital-IA 2026: 第6届全国人工智能会议,由CINI组织,2026年6月18-19日,意大利罗马 [orcid=0000-0002-3018-7000, [email protected], ]\cormark[1]\fnmark[1] [orcid=0000-0002-0018-6883, [email protected], ]\fnmark[1] [orcid=0000-0002-7972-5201, [email protected], ]\fnmark[1] \cortext [1]通讯作者。\fntext[1]这些作者贡献相同。 Mohammad Azarijafari, Luisa Mich, Michele Missikoff 系统与分析研究所(IASI)“Antonio Ruberti”,国家研究委员会(CNR),Via dei Taurini 19, 00185, 罗马, 意大利 (2026) ###### 摘要 代理AI为自动化业务流程(BP)带来了新的机遇,实现了自主决策和动态适应。然而,要发挥这一潜力,需要以形式化的精度定义BP实体及其交互。本文通过AGO方法论提出了一个用于代理BP分析的形式化框架。AGO从“谁在行动(Agent)”、“为何执行(Goal)”、“相关实体是什么(Object)”三个角度捕捉建模视角。基于集合论和数理逻辑,我们形式化定义了AGO实体类型及其交互,并将所有定义组织成业务流程知识库(BPKB)。生成的BPKB支持结构化查询、增量更新和BP工作流的自动生成,同时确保推导路径的合理性和完整性。 ###### 关键词: 业务流程分析\sep代理AI\sep声明式方法论\sep概念建模\sep形式化框架 ## 1 引言 业务流程(BP)是现代组织的核心,决定了工作如何协调、决策如何做出以及价值如何交付[Weske]。随着组织规模和复杂性的增长,面临越来越大的适应、自动化和保持竞争力的压力,对严谨、系统且形式化基础的BP分析方法的需求变得日益关键[Schuler, Ahmad]。近年来代理AI的兴起[acharya2025agentic]为自动化和增强BP执行带来了新的机遇。然而,要实现这一潜力,需要以形式化的精度定义BP实体及其交互,以便代理组件能够在结构良好且可验证的知识库上运行。 传统的BP分析方法基于图示化方法[Benedict, Dumas],其中分析主要是识别任务并将其连接成有向图,以表示BP工作流。广泛使用的符号(如BPMN图)就是这种范式的例子。尽管在学术界和工业界广泛使用,但此类方法存在众所周知的局限性:它们需要相当的技术专长来构建和解释,难以在各业务单元之间去中心化,生成的制品难以查询、维护或演进,并且阻碍了非技术业务利益相关者的直接参与。 为了解决这些局限性,在[ital-ia25, agentics25]中引入了AGO(Agent, Goal, Object)方法论,提出了一种基于业务实体概念建模和知识表示的声明式方法。AGO分析从识别和建模三个基本业务实体开始:对象、目标和代理。它们作为构建块,自底向上重构BP的完整工作流,推导出从开始到结束的所有路径,而无需完整构建工作流。AGO分析的核心产物是业务流程知识库(BPKB),它存储所有已识别的实体及其关系,以及一致性约束。 AGO方法论具有多个优势。其去中心化分析允许不同业务单元独立收集局部知识,确保了良好的关注点分离。该方法的简单性也使没有技术背景的业务人员能够直接参与概念建模和BP设计,减少了对技术人员的依赖,改善了业务与IT的对齐。将所有BP知识以声明形式存储到BPKB中,还支持查询、协作分析,并简化了修正、更新和演进。然而,AGO的严格形式化仍然是充分实现这些优势的关键要求。 在本文中,我们提出了一个基于集合论和数理逻辑[Preparata, Barwise]的形式化框架,用于BP分析,为AGO提供严谨支持,以赋能代理AI应用。我们首先识别三个核心实体类型——对象、目标和代理,并将它们组织成词汇表和术语表,作为分析的前两步。接着,我们引入目标类型的形式化特征,区分合取目标、包含析取目标和排他析取目标,每种都有精确的满足条件。然后,我们通过触发集和交付集定义代理。最后,在第三步中,所有收集的知识被存储到最终的BPKB中,该知识库以形式化理论为基础。这使得能够自动生成完整工作流,同时验证其合理性和完整性。 本文其余部分组织如下。第2节(https://arxiv.org/html/2606.15291#S2)介绍AGO的三种核心实体。第3节(https://arxiv.org/html/2606.15291#S3)描述生成的BPKB及BP工作流的推导。第4节(https://arxiv.org/html/2606.15291#S4)总结本文并指出未来工作方向。 ## 2 AGO方法论 AGO方法论代表了BP分析的一个重要转变,将关注点从“流程如何执行”转移到:(i)相关的业务实体是什么,(ii)流程试图实现什么,以及(iii)谁负责操作。这种本体论上的转变得到了一个一致的概念框架的支持,该框架区分了主动和被动实体,以及一个为BP实体提供严格定义的形式化框架。本文扩展了AGO的第一个版本[agentics25]。 因此,在AGO中,业务现实由一组对象(建模不断变化的事态)、一组目标(表示流程执行过程中要达到的事态)和一组代理(表示BP中为实现目标而运行的主动组件)表示。 根据AGO,分析按三个步骤进行,旨在生成知识内容递增的结构。前两步处理初始结构——词汇表和术语表,它们高度直观,便于业务人员参与。第三步处理业务流程知识库,旨在组织和存储BP知识,包含并扩展前两个结构的内容。下面,我们将形式化地呈现前两步,并采用[agentics25]中引入的简单披萨店示例,而第三步将在第3节(https://arxiv.org/html/2606.15291#S3)中处理。 #### 步骤1:词汇表。 第一个结构是词汇表,收集所有表示相关业务实体的术语。术语按AGO类别组织。以披萨店示例为例,词汇表中有以下条目: 对象(O):ClientOrder, AcquiredOrder, InvalidOrder, ValidOrder, OrderedPizza, CreditCardData, Payment, ReadyPizza, RejectedOrder, CookAlert, CliHomeData, FulfilledOrder 目标(G):OrderSubmitted, OrderAcquired, OrderRejected, CookInformed, PizzaReady, OrderFulfilled 代理(A):Client, ShopAdmin, Cook, DeliveryBoy 用形式化术语表示: #### 定义1:词汇表。 给定一个有限的业务术语集合N,词汇表L是一个三元组L:= (O, G, A),其中O、G、A分别包含表示业务对象、目标和代理的术语。它们是N的三个互不相交的分区。 #### 步骤2:术语表。 在第二步中,我们构建术语表Glo,其中L中的每个术语都关联一个标签(表示概念标识符)和一个描述。术语表组织成三个部分:OG、GG、AG,对应于L的三个分区,每个分区的基数等于对应词汇表的基数。 #### 定义2:术语表。 从术语t∈L出发,术语表Glo定义如下: Glo := (OG, GG, AG) 其中每个部分分别包含对象、目标和代理条目。 每个条目具有以下结构:(EID, Na, La, De),其中EID表示唯一的类型标识符(OID、GID或AID)。Na是作为实体名称的术语t∈L,La和De分别是实体标签和描述。 例如,在我们的示例中: (O₁, Na: ClientOrder, La: CliOrd, De: “客户下达的订单”) (G₁, Na: OrderAcquired, La: OrdAcq, De: “订单已被获取”) (A₁, Na: Client, La: Cli, De: “提交订单的人”) 对象、目标和代理的概念在BP规范中起着战略作用,并从根本上塑造了AGO的操作原理。在构建BPKB之前,以下各小节将详细阐述每个组件。 ### 2.1 业务对象 业务对象是BP的被动实体,表示业务现实的相关方面。 #### 定义3:业务对象。 在分析阶段,我们首先识别业务对象的类型,O := {O₁, ..., Oₙ},表示BP执行过程中业务现实所呈现的各种配置。在AGO中,对象是用于定义目标的元素。在BP执行过程中,代理旨在满足目标,生成表示不断演进的现实的新对象。因此,BP执行通过按顺序实现的目标来反映。 在分析阶段,业务对象在术语表层面进行描述。其完整定义(包括结构、属性和关系)将在后续的设计阶段提供。 ### 2.2 业务目标 目标是具有双重性质的战略实体。从业务角度看,它们表示所寻求的事态。从操作角度看,它们对于代理的协作和协调是必要的。此外,代理使用目标的内容来交换信息。 目标由集合表达式指定,该表达式定义于业务对象O的子集之上,声明一个满足条件。具体而言,我们有三种基本的目标表达式:合取、包含析取和排他析取。直观上,在运行时,如果所有声明的对象类型都被实例化,则合取目标被实现。对于析取目标,对象集被组织成一个覆盖¹。对于包含析取,如果至少一个覆盖元素被实例化,则目标实现。对于排他析取目标,其实现要求恰好只有一个覆盖子集被实例化。 ¹X的覆盖是X的子集{C₁, C₂, ...}的集合,这些子集的并集等于X。 例如(简化符号),假设有三种目标G₁、G₂、G₃:G₁ = {O₁, O₂}是合取的;G₂ = {O₃ or O₄}是包含析取的;G₃ = {O₃ xor O₄}是排他析取的。用更精确的术语表示,我们有如下定义。 #### 定义4:合取业务目标。 合取业务目标Gc由一组对象类型和一个满足条件定义。因此,我们引入布尔函数Sat(G),它在运行时求值,检查所有声明的对象类型是否被正确实例化,从而确定目标是否实现。 给定目标Gc := {O₁, O₂, ..., Oⱼ},当且仅当以下表达式成立时,它被一个目标实例gc满足: Sat(Gc) ⇔ gc ∈ Gc, gc = {o₁, ..., oⱼ} 且 o₁ ∈ O₁, ..., oⱼ ∈ Oⱼ。 #### 定义5:包含析取业务目标。 包含析取目标Gi定义为一组业务对象的覆盖,其中至少一个覆盖子集的对象类型被实例化。我们引入由分析员定义的Cov函数。例如,给定目标类型Gi = {O₁, O₂, O₃, O₄, O₅}: Cov(Gi) = {C₁, C₂},其中C₁ = {O₁, O₂, O₃},C₂ = {O₃, O₄, O₅}。 当且仅当至少一个覆盖子集被实例化时,Gi被满足: Sat(Gi) ⇔ Sat(C₁) or Sat(C₂)。 #### 定义6:排他析取业务目标。 给定目标Ge = {O₁, O₂, O₃, O₄, O₅},以及如上定义的两个覆盖子集C₁、C₂,Ge是排他析取目标当且仅当恰好只有一个覆盖子集被实例化。以下是简化形式化: Cov(Ge) = {C₁, C₂},其中C₁ = {O₁, O₂, O₃},C₂ = {O₃, O₄, O₅}。 则:Sat(Ge) ⇔ Sat(C₁) xor Sat(C₂)。 为了完成目标的定义,我们需要指明哪些代理与目标关联。然后我们声明:输入代理(InAg),作用于目标满足;输出代理(OutAg),在目标满足时被触发。 以下是在BPKB中表示的目标定义: G := (GID, GNa, GLa, GDe, SatDef, InAg, OutAg) 在目标类型标识符之后,前三个组件来自术语表。SatDef定义满足公式。InAg和OutAg分别表示输入和输出代理。 析取目标被称为分支目标,因为它们有多个输出代理,从而在工作流图中表示一个分支。对称地,当一个目标有多个输入代理时,我们有一个合并目标。因此,目标决定了工作流拓扑。它不是在分析过程中提供的,而是在分析结束时,从AGO实体自底向上重构的,稍后讨论。 ### 2.3 业务代理与技能 业务代理是AGO的主动元素。它们“观察”业务
相似文章
大多数关于“智能体 AI”的讨论都感觉太抽象了。这里是我的智能体研究系统的实际样子
作者分享了他为识别和评估公司内 AI 用例而构建的智能体研究系统的实际分解。该系统使用六个智能体进行发现、评估和上下文提取,强调人在决策环中,而非完全自主。
代理式AI时代重新思考组织设计
文章讨论了组织需要从根本上重新设计运营模式以充分利用代理式AI,而不是简单地将AI代理叠加到现有结构上,并引入了Agentic Business Transformation (ABT)的概念。
代理型AI系统运行时治理的道义政策
本文提出了AgenticRei框架,该框架使用OWL表达的道义政策对由LLM驱动的代理型AI系统进行运行时治理,实现了义务、豁免和冲突解决,超越了传统策略引擎。
可发现的主体知识——面向主体化知识图谱功能的形式化框架(扩展版)
这篇扩展论文重新审视了语义网服务在知识图谱方面的见解,提出了一个四维形式化框架和一个主体化功能配置文件(AAP),以便在智能体规划时实现有原则的知识图谱选择、组合和故障诊断。
面向知识驱动工具使用工作流的AI代理声明式技能
本文研究了客户服务工作流中工具使用AI代理的编排机制,比较了声明式代理与命令式状态机及基准方法的性能。结果表明检索质量是关键瓶颈,在高质量检索下,声明式技能可提升程序性任务的准确性。