arXiv cs.MA· Fabrizio Marozzo, Pietro Li\`o·· 2 天前AI 评分22
LLM-as-an-Investigator：面向稳健交互式问题诊断的证据优先智能体推理方法
LLM-as-an-Investigator: Evidence-First Agentic Reasoning for Robust Interactive Problem Diagnosis
AI 导读
研究者提出 LLM-as-an-Investigator 证据优先方法，并实现 Solution Investigator Agent（SIA），通过共享调查状态协调 Diagnostic Reasoner、Hypothesis Investigator 和 Counterfactual Investigator 三种推理行为，减少过早锁定错误假设。
正文 · AI 翻译
摘要：大型语言模型（LLM）被用于技术故障排查，而问题描述往往不完整，且同一症状可能由多种原因解释。有效的诊断需要获取具有区分性的证据，并选择最受证据支持的说明。然而，仅靠推理或交互可能无法防止过早固守错误假设。我们提出 LLM-as-an-Investigator，一种以证据为先的交互式问题诊断方法，可减少过早固守，同时区分相互竞争的原因。我们通过 Solution Investigator Agent（SIA）实现该方法，它通过共享的调查状态协调三种互补的推理行为：进行并重新评估诊断访谈的 Diagnostic Reasoner、维护并更新竞争假设的 Hypothesis Investigator，以及质疑当前解释并引导具有区分性的后续提问的 Counterfactual Investigator。最终选择使用引用的对话证据和单独的验证步骤，而明确的假设与证据记录使诊断可追溯，并保留未解决的备选方案。我们构建了一个结构化语料库，来自机械、电气和液压领域的 303 个技术论坛帖子。一个基于来源的流水线将初始问题、解决方案前的澄清和报告的结果分开，而用户模拟器在无法访问参考解决方案的情况下回答诊断问题。我们将 SIA 与直接、基于推理、交互式和基于搜索的基线进行比较，包括对 ReAct 和 Tree of Thoughts 的改编。评估将最终诊断质量与假设覆盖率和 oracle 潜力区分开来，而消融实验和配对压力测试评估组件贡献以及对看似合理但具有误导性的用户假设的鲁棒性。
| 主题： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE）；新兴技术（cs.ET）；机器学习（cs.LG）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2606.13220 [cs.AI] |
| （或此版本的 arXiv:2606.13220v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2606.13220 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Fabrizio Marozzo [查看电子邮件]
[v1]
2026年6月11日星期四 11:37:07 UTC（120 KB）
[v2]
2026年10月13日星期二 22:22:05 UTC（149 KB）
来源：arXiv cs.MA · arxiv.org