一种基于任务复杂度的智能体动态调度方法及装置与流程

本发明涉及人工智能，尤其涉及智能交通，具体涉及一种基于任务复杂度的智能体动态调度方法及装置。

背景技术：

1、随着大语言模型技术的发展，多智能体(multi-agent)协作系统逐渐成为处理复杂任务的重要架构。当前多智能体调度主要采用以下几种技术方案：

2、（1）预先定义任务类型与智能体的映射关系，根据任务类型直接路由到对应的智能体。该方案实现简单，但无法应对复杂任务和动态场景；（2）通过人工编写调度规则(如if-else逻辑)，根据任务特征选择智能体，过度依赖人工经验，且无法量化任务复杂度，无法根据任务特征动态调整智能体数量和模型等级；（3）采用强化学习算法训练调度策略，通过与环境交互不断优化智能体选择，但缺乏公交场景专用优化，领域适配性差；（4）采用遗传算法、粒子群优化等启发式算法搜索最优智能体组合，该方案虽然能找到较优解，但计算开销大，实时性差。

3、针对上述的问题，目前尚未提出有效的解决方案，因此，亟需提出一种新型的智能体动态调度方法。

技术实现思路

1、为了解决上述背景技术部分提出的至少一个技术问题，本技术提供了一种基于任务复杂度的智能体动态调度方法及装置，能够实现智能体的精准调度和持续优化。

2、第一方面，本发明实施例提供一种基于任务复杂度的智能体动态调度方法，包括：

3、基于用户输入的任务描述，确定待执行任务的任务复杂度；

4、基于所述任务复杂度，确定目标检索策略，并从候选智能体列表和候选模型列表中分别确定目标智能体组合和目标模型；

5、基于所述目标智能体组合、所述目标模型和所述目标检索策略，执行所述待执行任务，并在任务执行结束后，确定预先监控的多个任务反馈指标；

6、基于所述多个任务反馈指标，动态调整所述目标检索策略、所述目标智能体组合和所述目标模型。

7、在本实施例的一些可选方式中，所述基于用户输入的任务描述，确定待执行任务的任务复杂度，包括：

8、对所述任务描述进行特征提取，得到多个任务特征向量；

9、分别确定各所述任务特征向量的评分，并基于各所述任务特征向量对应的权重和各所述任务特征向量的评分，确定所述待执行任务的复杂度评分；

10、基于所述待执行任务的复杂度评分，确定所述待执行任务的任务复杂度。

11、在本实施例的一些可选方式中，基于所述任务复杂度，确定目标检索策略，并从候选智能体列表和候选模型列表中分别确定目标智能体组合和目标模型，包括：

12、基于所述任务复杂度，确定检索方式、检索范围、智能体数量、智能体类型以及模型等级；

13、基于所述检索方式和检索范围，确定所述目标检索策略；

14、基于所述智能体数量和所述智能体类型，从候选智能体列表中，确定所述目标智能体组合；

15、基于所述模型等级，从候选模型列表中，确定所述目标模型。

16、在本实施例的一些可选方式中，所述任务反馈指标包括任务完成时间、答案质量评分、资源消耗量以及用户满意度评分，所述基于所述多个任务反馈指标，动态调整所述目标检索策略、所述目标智能体组合和所述目标模型，包括：

17、基于所述任务完成时间、答案质量评分、资源消耗量和/或用户满意度评分，动态调整所述检索范围、所述智能体数量以及所述模型等级。

18、在本实施例的一些可选方式中，所述基于所述任务完成时间、答案质量评分、资源消耗量和/或用户满意度评分，动态调整所述检索范围、所述智能体数量以及所述模型等级，包括：

19、响应于所述答案质量评分是否小于第一预设分数阈值或所述用户满意度评分小于第二预设分数阈值，扩大检索范围、增加所述智能体数量以及提高所述模型等级；

20、响应于所述任务完成时间大于预设时间阈值且所述答案质量评分大于第三预设分数阈值，缩小检索范围、减少所述智能体数量以及降低所述模型等级；

21、响应于所述资源消耗量大于预设消耗阈值且所述答案质量评分大于第四预设分数阈值，降低所述模型等级以及缩小检索范围，并启用缓存机制；

22、其中，所述第一预设分数阈值小于所述第四预设分数阈值，所述第四预设分数阈值小于所述第三预设分数阈值。

23、在本实施例的一些可选方式中，所述任务特征向量包括文本长度、专业术语密度、意图数量、知识依赖度以及推理深度，对所述任务描述进行特征提取，得到多个任务特征向量，包括：

24、计算所述任务描述的文本字符数，基于所述文本字符数，确定所述文本长度；

25、对所述任务描述进行分词处理，得到多个分词，对所述多个分词进行文本识别，确定所述公交术语，并基于所述公交术语的数量和所述分词的数量，计算得到所述专业术语密度；

26、基于意图识别模型，对所述任务描述进行意图识别，确定所述任务描述中的独立意图，并计算得到所述意图数量；

27、基于知识领域分类体系，确定所述任务描述涉及的知识领域，并基于所述知识领域的数量，确定所述知识依赖度；

28、基于规则引擎，对所述任务描述进行解析，确定任务推理链条，基于所述任务推理链条，确定所述推理深度。

29、在本实施例的一些可选方式中，所述确定预先监控的多个任务反馈指标，包括：

30、基于任务接收时刻和答案返回时刻，确定所述任务完成时间；

31、基于预先训练的答案评估模型，从答案长度合理性、答案逻辑一致性以及答案准确性三个方面对返回至用户的答案进行自动评估，确定所述答案质量评分；

32、确定任务执行过程中的应用程序接口调用成本和所需的词元数量，基于所述应用程序接口调用成本和所述词元数量，确定所述资源消耗量；

33、采集用户对所述答案的评价信息，并基于所述评价信息，确定所述用户满意度。

34、第二方面，本发明实施例还提供一种基于任务复杂度的智能体动态调度装置，包括：

35、任务复杂度确定模块，被配置为基于用户输入的任务描述，确定待执行任务的任务复杂度；

36、智能体调度策略确定模块，被配置为基于所述任务复杂度，确定目标检索策略，并从候选智能体列表和候选模型列表中分别确定目标智能体组合和目标模型；

37、反馈指标确定模块，被配置为基于所述目标智能体组合、所述目标模型和所述目标检索策略，执行所述待执行任务，并在任务执行结束后，确定预先监控的多个任务反馈指标；

38、智能体调度策略调整模块，被配置为基于所述多个任务反馈指标，动态调整所述目标检索策略、所述目标智能体组合和所述目标模型。

39、第三方面，本技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的基于任务复杂度的智能体动态调度方法的步骤。

40、第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述的基于任务复杂度的智能体动态调度方法的步骤。

41、第五方面，本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现第一方面所述的基于任务复杂度的智能体动态调度方法的步骤。

42、本发明实施例提供的一种基于任务复杂度的智能体动态调度方法及装置，能够根据任务复杂度，确定目标检索策略、目标智能体组合以及目标模型，并在任务执行结束后，根据任务反馈指标动态调整调度智能体的策略，从而实现智能体的精准调度和持续优化。