辅助AI智能体的层次组合性

arXiv cs.AI 论文
hierarchical-compositionality assistive-agents disambiguation ai-agents large-language-models semantic-features

摘要

本文提出了一种基于层次组合性和简单启发式的辅助AI智能体架构，用于解决对象引用中的歧义，在支持适应用户偏好的同时，超越了数据驱动的基线方法。

arXiv:2608.10330v1 公告类型：新 摘要：AI智能体正越来越多地被开发用于在各种应用中协助人类，大型语言模型和其他深度网络架构被认为是此类智能体的最先进技术。这些方法是令人印象深刻的风险预测器，但它们资源消耗大、不透明，并且由于底层表征和处理选择的范围狭窄，已知会在新情况下做出任意决策。我们的工作旨在探索基于核心原则的此类AI智能体架构设计，这些原则可以追溯到AI的早期先驱，但在现代AI方法中并未得到充分利用。我们在本文中针对AI智能体处理人类参与者所指对象歧义这一核心问题进行了研究。人类通过启发式地利用领域上下文的组合知识和其他人类参与者的偏好来解决这种歧义。受这一观察的启发，我们描述了一种嵌入层次组合性原则并使用简单启发式来实现所需消歧的架构。具体来说，领域对象以源自人类验证的语义特征规范的原始属性来表示，并自动从辅助智能体与特定用户的有限观察交互历史中识别属性和概念的层次组合。然后，辅助智能体通过利用组合层次的知识、控制领域动态的公理以及语义兼容性、会话显著性和用户特定主题偏好的模型进行推理，在必要时请求人类澄清，从而实现所需的消歧。实验表明，我们的方法始终优于最先进的数据驱动基线，支持对特定用户画像的适应。
查看原文
查看缓存全文

缓存时间: 2026/08/12 08:23 

# 面向辅助AI智能体的层次组合性

来源：https://arxiv.org/html/2608.10330 \\JAIRTrack\\JAIRAE 和 Mohan Sridharan[m\.sridharan@ed\.ac\.uk](mailto:[email protected])爱丁堡大学，英国爱丁堡

###### 摘要

AI智能体正越来越多地被开发用于在各种应用中协助人类，大型语言模型（LLM）和其他深度网络架构被认为是此类智能体的最先进技术。这些方法作为随机预测器令人印象深刻，但它们资源消耗大、不透明，并且由于底层表示和处理选择范围狭窄，可能在陌生情境下做出任意决策。我们的工作旨在基于可追溯到AI早期先驱者、但未在现代AI方法中得到充分利用的核心原则，探索此类AI智能体的架构设计。在本文中，我们围绕AI智能体的核心问题——解决人类参与者所指对象中的歧义——展开这一探索。人类通过启发式地利用领域组合知识和人类参与者的偏好来解决此类歧义。受这一观察的启发，我们描述了一种嵌入层次组合性原则并使用简单启发式来实现所需消解的架构。具体而言，领域对象以来自人类验证的语义特征规范的基本属性来表示，并通过有限的历史交互观察自动识别出属性和概念的层次组合。然后，辅助AI智能体利用该组合层次的知识、控制领域动态的公理，以及语义兼容性、会话显著性和用户特定主题偏好的模型进行推理，在必要时请求人类澄清，从而实现所需的消解。实验表明，我们的方法持续优于最先进的数据驱动基线，并支持对特定用户画像的适应。项目网站：https://tianyi-fu.github.io/HCAA/

# 1. 动机

我们正目睹AI智能体被部署到各种应用中协助人类的迅速普及。深度网络和基础模型（FM），如大型语言模型（LLM）和视觉语言模型（VLM），被认为是设计此类AI智能体的最先进技术。尽管这些方法在感知、推理和

相似文章