面向智能体业务流程执行的组织记忆

# 面向智能体业务流程执行的组织记忆
来源：https://arxiv.org/html/2607.03228
11institutetext:SAP Signavio，柏林，德国
11email:\{first\.last\}@sap\.comAdrian RebmannChristian Warmuth Timotheus KampikTheiss HeilkerGregor Berg

###### 摘要

基于LLM的智能体为自动化业务流程执行提供了新机遇，超越了基于规则的系统所能达到的边界。然而，通用型LLM缺乏可靠执行所需的组织特定知识，这些知识通常分散在面向人工的制品中，如政策、流程模型和标准操作程序。尽管这些知识在技术上可以编码到单个提示词或特定于智能体的检索设置中，但这种做法在企业中无法扩展，因为它会导致知识孤岛和规则重复，并使得跨智能体的一致更新和学习变得困难。我们认为，这需要一种面向智能体业务流程执行的**组织记忆**：一个共享的、受治理的、可供智能体消费的参考层，其中包含关于工作应如何执行的、不断演化的组织特定程序性知识。我们推导出此类记忆的需求，提出其策划和消费的架构，并在一个基于采购场景的概念验证中展示了其有效性。

## 1 引言

组织越来越多地采用基于LLM的智能体来执行业务流程\[3 (https://arxiv.org/html/2607.03228#bib.bib4),6 (https://arxiv.org/html/2607.03228#bib.bib8)\]。与机器人流程自动化（RPA）等确定性自动化方法（局限于结构化和重复性场景）不同，这些智能体可以解释自然语言并自主处理多步骤任务，包括异常处理。因此，它们为自动化那些以往难以用基于规则的系统形式化的流程提供了一条路径\[26 (https://arxiv.org/html/2607.03228#bib.bib1)\]。

然而，通用型LLM默认缺乏对组织特定知识的访问。它们不了解公司政策、流程惯例、角色结构、系统环境或异常处理实践。而组织环境中的有效流程执行恰恰依赖于此类上下文知识，这些知识因组织、部门和单个团队而异。这种知识差距对企业环境中智能体业务流程执行的规模化构成了根本性挑战。

一个自然的回应是将组织特定知识编码到特定于单个智能体的提示词或检索设置中\[16 (https://arxiv.org/html/2607.03228#bib.bib19),15 (https://arxiv.org/html/2607.03228#bib.bib20)\]。然而，这种方法无法扩展：在大型组织中，预计会有数千个智能体同时在不断演化的流程和异构知识源上运行。每次对智能体知识编码都会造成新的孤岛，规则被重复、更新不一致，并且在不同智能体之间被不同地解释。与此同时，组织已经拥有大量与流程相关的知识，这些知识以BPMN模型、标准操作程序（SOP）、政策、知识库以及基于历史执行数据的流程分析等形式存在。这些知识分散在各种制品中，其中许多是为人工解释而设计的，而非供LLM智能体消费。因此，核心挑战不在于知识的可用性，而在于将其转化为统一、可供智能体消费的形式，并一致地提供给组织中的所有智能体。

我们认为，需要一种面向智能体业务流程执行的**组织记忆**：一个共享的、由人工治理的、可供智能体消费的参考层，其中包含关于工作应如何执行的、组织特定的程序性知识。这样的记忆必须将来自异构源的分布式知识整合成一个统一的表示，供智能体在运行时消费。它必须在正确的时间向正确的智能体提供正确的上下文，而不是用不相关的信息淹没智能体。此外，它必须随着组织变化而演化，反映政策更新或从智能体执行中汲取的教训。最后，由于组织记忆直接塑造跨流程和跨部门的智能体行为，其创建和演化不能完全自动化，而必须支持人工治理。

本文做出四项贡献：(1) 我们引入了**面向智能体业务流程执行的组织记忆**概念，将其定义为组织流程知识的统一表示，使基于LLM的智能体能够以上下文感知的方式执行流程任务；(2) 我们推导出此类组织记忆的需求；(3) 我们提出一个组织记忆架构，描述其组件、策划和消费；(4) 我们在一个概念验证实现中展示了其有效性。

本文结构如下。第2节 (https://arxiv.org/html/2607.03228#S2) 提供背景和相关工作。第3节 (https://arxiv.org/html/2607.03228#S3) 阐述了组织记忆的必要性，基于此，第4节 (https://arxiv.org/html/2607.03228#S4) 定义了组织记忆架构的需求，我们在第5节 (https://arxiv.org/html/2607.03228#S5) 中呈现该架构。然后，第6节 (https://arxiv.org/html/2607.03228#S6) 在概念验证中展示了我们架构的有效性，最后第7节 (https://arxiv.org/html/2607.03228#S7) 总结全文。

## 2 背景与相关工作

本节提供关于智能体BPM和智能体记忆系统的背景和相关工作。

### 2.1 智能体业务流程管理

在过去三十年中，智能体的概念在BPM领域周期性地引起关注。早期工作研究了用于调度、执行和监控业务活动的自主软件智能体\[10 (https://arxiv.org/html/2607.03228#bib.bib21)\]。后来，RPA引入了软件机器人来自动化基于规则的任务\[23 (https://arxiv.org/html/2607.03228#bib.bib22)\]。最近，生成式AI和LLM的进展重新激发了对面向智能体流程执行的兴趣。这一发展推动了新兴的*智能体业务流程管理*范式\[3 (https://arxiv.org/html/2607.03228#bib.bib4),24 (https://arxiv.org/html/2607.03228#bib.bib5)\]，该范式通过将自主智能体视为业务流程执行中的一级参与者，扩展了传统BPM。因此，智能体BPM不再将流程主要视为预定义的控制流模型，而是强调流程执行是自主智能体在组织约束内感知、推理、行动和交互的结果。近期几项研究通过数据驱动的流程发现、模拟和优化方法，推进了这一以智能体为中心的视角\[22 (https://arxiv.org/html/2607.03228#bib.bib23),12 (https://arxiv.org/html/2607.03228#bib.bib25),13 (https://arxiv.org/html/2607.03228#bib.bib10),19 (https://arxiv.org/html/2607.03228#bib.bib11)\]。然而，这些方法采用的是智能体的通用概念，而非专门用LLM实例化它们。在此背景下，若干技术贡献探索了LLM和基于LLM的智能体在流程自动化和执行中的应用\[8 (https://arxiv.org/html/2607.03228#bib.bib29),9 (https://arxiv.org/html/2607.03228#bib.bib28),17 (https://arxiv.org/html/2607.03228#bib.bib31)\]，但未考虑组织感知执行。与本工作更相关的是，Kaltenpoth等人\[11 (https://arxiv.org/html/2607.03228#bib.bib27)\]和Skolik等人\[20 (https://arxiv.org/html/2607.03228#bib.bib26)\]表明，当LLM智能体由半结构化流程规则引导时，可以更可靠地执行业务流程，这些规则是从BPMN模型或自然语言流程描述中生成，并在执行时从规则数据库中检索。我们的工作不同之处在于其企业级视角和架构的广泛性。虽然现有的流程规则方法支持特定智能体或流程的流程感知执行，但我们的组织记忆将组织特定的流程知识视为共享的企业资源。它整合了许多异构源，如政策、SOP、系统文档、流程模型、知识库和执行经验，处理人工治理，并解决诸如组织变革以及在多个智能体和流程间复用等生命周期问题。此外，与基于策略的护栏\[7 (https://arxiv.org/html/2607.03228#bib.bib7)\]不同，组织记忆并不正式约束智能体；相反，它通过提供额外且有用的上下文来提供一个**非正式框架**。

### 2.2 智能体记忆系统

传统上，智能体架构在*信念库*\[2 (https://arxiv.org/html/2607.03228#bib.bib3)\]中管理符号知识，而近期工作倾向于关注基于LLM的智能体的*记忆*机制。现有方法管理记忆层级以扩展有限的上下文窗口\[18 (https://arxiv.org/html/2607.03228#bib.bib9)\]，通过专用控制器维护记忆流\[25 (https://arxiv.org/html/2607.03228#bib.bib13)\]，通过索引和链接动态组织记忆\[27 (https://arxiv.org/html/2607.03228#bib.bib2)\]，或存储长期对话记忆以改善跨交互的个性化和连贯性\[28 (https://arxiv.org/html/2607.03228#bib.bib16)\]。更广泛地说，诸如CoALA之类的认知智能体架构将记忆视为语言智能体的核心组件，与行动空间和决策机制并列\[21 (https://arxiv.org/html/2607.03228#bib.bib15)\]。这些工作强调了持久记忆对LLM智能体的重要性，但主要关注单个智能体，而非企业级层面的挑战：跨多个智能体和流程策划、治理、维护并一致地提供组织特定的流程知识。检索增强生成（RAG）\[15 (https://arxiv.org/html/2607.03228#bib.bib20)\]提供了一种补充机制，通过将LLM输出建立在从外部文档集合中检索到的段落之上。虽然对于访问组织文档很有用，但仅靠RAG可能不足以处理重叠、演化且通常超出用户即时查询范围的企业流程知识。不同的智能体可能检索到不同的块，遗漏跨领域的规则，或依赖过时或冲突的源。我们的组织记忆概念通过将流程知识视为共享、可追溯、受治理且可复用的记忆元素（而非依赖查询的文档片段），解决了这一差距。

## 3 动机

在本节中，我们通过一个运行示例来阐述智能体业务流程执行中对组织记忆的需求，并由此推导出该场景中出现的几个挑战。

参阅图注图1：运行中的采购到付款示例：每个智能体依赖重叠的知识，这些知识分散在异构制品中。问题图示。我们考虑这样的企业场景：基于LLM的智能体在运行时执行业务流程任务，其正确行为依赖于组织特定的程序性知识，如政策、职责、系统和异常处理实践。考虑图1底部所示的简化采购到付款流程。该流程从创建采购申请（PR）开始，然后向供应商发出采购订单（PO）。供应商确认订单、交付货物并提交发票。在执行付款之前，必须将发票与相应的采购订单进行核对。假设某个组织希望使用基于LLM的智能体来自动化该流程的部分环节。一个智能体可能支持员工创建PR，而另一个智能体可能处理发票匹配。

以发票匹配智能体为例，假设收到的发票与相应的采购订单不完全匹配。智能体必须决定发票是否可以自动过账，是否应路由给采购专员，或者是否需要合规审查。同一流程中的其他智能体，如PR智能体和付款审批智能体，也依赖于重叠的知识，如图1所示。乍一看，这似乎是一项直接的推理任务：将发票与采购订单进行比较，识别偏差，并决定如何处理。然而，正确的决策依赖于LLM本身不包含的组织知识。

例如，一个BPMN模型可能规定，存在差异的发票需要执行“发票澄清”活动。一份标准操作程序可能说明，对于首选供应商，低于250欧元的价差可以接受。一份采购政策可能规定，涉及医疗设备的差异无论金额大小始终需要合规审查。ERP文档可能指定供应商风险分类的存储位置，而一篇内部知识库文章可能解释，对于某个子公司，负责的采购专员由工厂而非产品类别决定。相关知识也可能来自先前的执行，例如当人类专家反复以相同方式解决重复出现的差异时，或者当智能体在特殊情况下收到纠正时。这些源中每个都包含潜在相关知识，但没有一个源能提供智能体所需的完整执行上下文。

**挑战。** 该场景中出现了几个挑战：

**碎片化且面向人工的知识。** 流程相关知识分布在异构源中。这些源通常在格式、术语、粒度和质量上有所不同，并且主要为了人工解释而创建，而非供基于LLM的智能体直接消费。此外，这些知识往往不完整、不及时，有时甚至过于庞大，人类无法全面审查。在采购到付款示例中，智能体必须结合来自BPMN模型、采购政策、SOP、ERP文档、子公司特定指令以及可能的过往异常处理信息来做出单一的发票处理决策。因此，挑战在于将碎片化的组织知识转化为统一的、可供智能体消费的表示。

**跨智能体和流程的共享知识。** 组织特定知识很少只与一个智能体相关。同一采购政策、供应商分类、审批规则或合规约束可能被在同一流程不同部分或相关流程中操作的多个智能体所需要。如果每个智能体都配备自己的提示词、本地记忆或检索设置，组织就会面临创建新知识孤岛的风险：规则被重复、更新不一致，并在不同智能体间被不同解释。在采购到付款示例中，PR智能体、发票匹配智能体和付款审批智能体可能都需要依赖重叠的采购和财务规则。因此，这些规则应该被维护一次并一致地提供，而不是为每个智能体单独重新实现。

**组织知识变化与学习。** 组织知识并非一成不变。政策会被更新，职责会发生变化，系统会变更，新的异常处理实践也会出现。这种现象在BPM中被称为*概念漂移*\[14 (https://arxiv.org/html/2607.03228#bib.bib17)\]。后