新设计原则SGC解决LLM智能体方向漂移，准确率升至96.7%
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把状态控制挪出模型
这套方案叫 State-Grounded Conditioning，针对的是面向用户的 LLM 智能体。这类智能体在运行时必须依赖实时用户状态，比如游戏局面、会话历史、实时库存。作者指出了一类独立的失效情形，称为 direction drift：回答本身把任务完成了，但选定的方向与当前状态对不上。SGC 的做法是把依赖状态的控制逻辑从模型内部搬到外部，用规则内核处理结构化输入，并划分出三个主要状态切片，通过 Perception、Grounding、Interaction 三个包装层承载，各层之间写明条件依赖关系。
延迟与准确率的变化
评测用的是一份 200 段会话的匿名基准，约合 1000 个助手模型轮次，来自一个游戏内对话教练智能体，任务是带玩家打完连续的多场竞技对局。报告给出首 token 平均延迟和五项人工标注的对话质量指标，覆盖事实依据与教练式引导推进两方面。Perception 包装层把首 token 平均延迟维持在 1.5 秒，而放在生产级工具调用框架里的 PE-Agent 为 6.1 秒。三个包装层全部启用后，轮级有据准确率从 Prompting 的 61.1%、PE-Agent 的 69.8% 升到 96.7%；会话级有据准确率从 20.0%、26.5% 升到 83.5%；会话级依据失效事件相对最强基线下降约 78%。
叠加增益与适用边界
累加式消融显示，随着包装层逐个加入，增益是互补的、逐步递增的。作者据此提出状态切片近似正交的判断，但明确说明这并不等于确立了每个包装层各自的独立效应。论文共 11 页，含 6 页正文以及局限性、伦理、参考文献和附录，配 4 张图、3 张表，为预印本，正在 EACL 2027 工业赛道接受评审。对读者而言，可迁移的要点是：当智能体的行动方向取决于实时状态时，把状态相关控制外置为规则内核并显式声明条件依赖，是降低方向错配的一条路径；其效果数据目前来自单一游戏教练场景，跨场景表现尚未在文中给出。
为什么值得看
为高频实时交互场景的LLM智能体提供了有效防幻觉与降延迟的工程化解法，指标提升显著。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。