基于验证循环的大语言模型智能体工业软件任务执行方法、系统、电子设备及存储介质与流程

本发明涉及智能化企业业务开发管理，尤其涉及一种基于验证循环的大语言模型智能体工业软件任务执行方法，还涉及实施该方法的系统、电子设备及存储介质。

背景技术：

1、随着大语言模型（large language model, llm）技术的飞速发展，基于llm的智能体（agent）被广泛应用于自动化任务执行领域，尤其是在工业软件的辅助设计、数据生成与业务执行中展现出了巨大的潜力。然而，现有基于llm的应用方案及agent架构在面向工业级企业应用时，通常存在以下显著缺陷，限制了其可靠性与实用性：

2、执行链路单向化，缺乏闭环反馈校验：现有技术大多采用“prompt—模型—回答”的一次性端到端生成链路。在此模式下，模型生成的代码、配置或任务计划一旦产出，便直接交付给下游系统执行，缺乏对执行结果的自动回流校验。当执行步骤因环境差异、数据边界条件或逻辑错误而失败时，系统无法在当前任务轮次内自动捕获异常并启动修复，导致错误的执行结果直接污染下游工序，或必须依赖人工介入进行二次修正，自动化程度较低。

3、运行状态与对话强耦合，缺乏可控性：目前的agent运行过程通常仅存在于用户的会话消息（session）上下文中。任务执行状态随着浏览器的刷新或会话的中断而丢失，导致长耗时的任务在中断后无法恢复进度。同时，这种设计模式不支持任务的暂停、审计追溯或人工审批干预。对于涉及高风险操作（如工业参数修改）的场景，现有方案无法在执行前挂起任务以等待人工确认，存在较大的操作风险。

4、通用模型缺乏企业私有业务知识支撑：在工业软件应用场景中，企业的工艺路线、数据字典、物料编码规则及业务流程通常具有高度的专有性和复杂性。通用的基础大模型缺乏对上述企业私有业务规则的理解，其生成的任务计划、api调用参数或数据结构往往与企业现有的业务逻辑脱节，导致生成的计划可用性极低，甚至需要大量的人工二次编辑才能落地执行。

5、状态管理缺失，运维成本高：现有方案缺乏对任务执行过程的结构化持久化存储机制。一旦任务执行失败，运维人员难以通过结构化的记录快速定位是哪个步骤的输入参数错误，或是哪个校验条件未满足。这种“黑盒”式的执行过程不仅增加了调试难度，也使得失败后的重试机制难以在断点处精准恢复。

6、针对上述问题，有必要对利用大语言模型对工业软件任务的执行方法进行进一步改进。

技术实现思路

1、本发明所要解决的技术问题是提供一种能够提高复杂任务执行的可靠性，具有可恢复性、可追溯性且与业务贴合度的基于验证循环的大语言模型智能体工业软件任务执行方法。

2、为解决上述技术问题，本发明的技术方案是：基于验证循环的大语言模型智能体工业软件任务执行方法，包括，

3、s1、接收用户以自然语言输入的任务目标，调用大语言模型智能体对所述任务目标进行意图解析，并基于所述意图解析结果生成任务计划，所述任务计划包括按序排列的多个执行步骤，每个执行步骤关联有待调用的能力接口及该步骤对应的预期校验条件；

4、s2、按序执行多个所述执行步骤，对于当前执行步骤，调用其关联的能力接口执行相应操作，并调用该当前执行步骤对应的预期校验条件，采集该当前执行步骤的实际执行结果；

5、s3、将所述实际执行结果与所述当前执行步骤对应的预期校验条件进行比对校验；

6、s4、响应于校验不通过，携带包括所述实际执行结果在内的当前上下文信息，返回步骤s1中的任务计划生成环节或计划调整环节，所述计划调整环节为由大语言模型智能体基于所述当前上下文信息重新规划后续执行步骤，并继续执行步骤s2，形成闭环迭代；

7、响应于校验通过，执行下一执行步骤，直至全部执行步骤校验通过后输出任务完成结果；

8、s5、在任务目标的执行过程中，将任务目标的运行状态以及各执行步骤的步骤状态、输入参数、实际执行结果和校验记录，以结构化记录的形式持久化存储至运行状态库；其中，所述任务目标的运行状态至少包括运行中、已暂停、待审批、失败和已完成五种状态，所述结构化记录独立于用户会话消息存储，并支持基于所述结构化记录对已暂停的任务进行恢复执行、对失败的执行步骤进行重试、以及在任务处于待审批状态时挂起执行并在接收到审批指令后恢复执行。

9、作为优选的技术方案，步骤s3中所述预期校验条件包括以下至少一种，

10、能力接口返回的结构化输出与预设 json schema 的匹配校验；

11、由执行步骤产出的程序代码在隔离执行环境中运行自动化测试用例的通过校验；

12、由执行步骤产出的页面经浏览器渲染后的截图，经视觉模型分析得到的界面正确性校验；

13、执行步骤的产出数据与业务规则约束的一致性校验。

14、作为优选的技术方案，步骤s4中所述重新规划包括将校验不通过的执行步骤标识、所述实际执行结果与所述预期校验条件的差异信息，以及已完成的执行步骤列表注入大语言模型的上下文，由大语言模型智能体生成修正后的后续执行步骤序列；且单个任务的重规划次数达到预设阈值时，将所述任务的运行状态置为失败并输出失败原因及已保留的中间产物。

15、作为优选的技术方案，所述执行步骤中风险等级满足预设高风险条件的步骤，在执行前将所述任务的运行状态置为待审批，并向用户展示该步骤的操作预览信息；仅在接收到用户的确认审批指令后，方调用该步骤关联的能力接口执行相应操作；

16、在执行步骤被异步执行期间，将任务进度事件通过服务器推送事件流实时发送至用户终端，所述任务进度事件至少包括计划创建、步骤开始、审批请求、步骤完成和任务完成事件；用户终端刷新或重新连接后，基于所述运行状态库中的结构化记录恢复展示任务进度。

17、作为优选的技术方案，步骤s5中所述结构化记录包括任务记录和步骤记录两层；所述任务记录包含任务标识、任务目标、当前运行状态和创建信息；所述步骤记录包含步骤标识、所属任务标识、步骤类型、输入参数、实际执行结果、校验结果和时间戳；所述恢复执行包括读取目标任务的全部步骤记录，确定最后校验通过的执行步骤，自该步骤的下一执行步骤起继续执行。

18、作为优选的技术方案，所述能力接口包括与业务无关的基础能力接口，所述基础能力接口包括文件系统操作、命令行执行、代码运行、浏览器操作、数据库操作、网络请求和部署操作中的一种或两种以上的组合；每个所述基础能力接口具有类型化的输入输出模式定义、权限范围声明和超时重试策略。

19、作为优选的技术方案，在执行步骤被异步执行期间，将任务进度事件通过服务器推送事件流实时发送至用户终端，所述任务进度事件至少包括计划创建、步骤开始、审批请求、步骤完成和任务完成事件；用户终端刷新或重新连接后，基于所述运行状态库中的结构化记录恢复展示任务进度。

20、作为对上述技术方案的改进，步骤s1中所述意图解析还包括检索调用者所属企业的业务知识库，所述业务知识库存储该企业的业务规则、数据字典、工艺文档、历史项目记录及由大语言模型智能体历史执行产物沉淀的知识条目；将检索到的与所述任务目标相关的业务知识注入大语言模型的规划上下文，使生成的任务计划及执行步骤中的数据结构符合该企业的业务规则；其中，所述业务知识库按企业租户隔离存储，不同企业的业务知识库互不可见，且知识检索范围继承知识条目在录入时的访问控制权限。

21、本发明还提供了一种用于实施上述方法的基于验证循环的大语言模型智能体工业软件任务执行系统，包括，

22、计划模块，用于接收用户以自然语言输入的任务目标，调用大语言模型智能体进行意图解析并生成任务计划，所述任务计划包括按序排列的多个执行步骤，每个执行步骤关联有待调用的能力接口及对应的预期校验条件；所述计划模块还用于检索调用者所属企业的按租户隔离的业务知识库，将检索到的业务规则与数据字典注入大语言模型的规划上下文；

23、执行模块，用于按序调用各执行步骤关联的能力接口执行相应操作，并采集各步骤的实际执行结果；

24、校验模块，用于将各步骤的实际执行结果与对应的预期校验条件进行比对校验；

25、重规划模块，用于在校验不通过时，携带当前上下文信息触发大语言模型智能体重新规划后续执行步骤，形成”规划—执行—观察—校验”的闭环迭代，直至全部执行步骤校验通过；

26、运行状态库，用于以独立于用户会话消息的结构化记录形式持久化存储任务的运行状态和各执行步骤的步骤状态、输入参数、实际执行结果及校验记录，并支持任务的暂停、恢复、失败重试与人工审批挂起。

27、本发明还提供了一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现上述基于验证循环的大语言模型智能体工业软件任务执行方法。

28、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于验证循环的大语言模型智能体工业软件任务执行方法。

29、由于采用了上述技术方案，本发明具有以下有益效果：

30、错误同轮次自修复，无需人工介入：本发明通过构建"规划—执行—校验—重规划"的闭环迭代机制，实现能够在同一任务执行轮次内自动感知执行偏差并完成修正。当任一执行步骤的实际产出未达到预设的预期校验条件时，会自动将差异信息、错误标识及已完成步骤的上下文一并回传至大语言模型，触发精准的局部重规划，彻底改变了现有技术中的一次性链路模式，将执行成功率从被动依赖模型初始生成质量提升至通过迭代收敛逼近100%，显著降低了工业场景下的人工运维负担。

31、任务可跨会话恢复，长耗时任务不再因刷新而丢失：本发明会将任务运行状态及各执行步骤的步骤状态、输入参数、实际执行结果和校验记录，以结构化记录的形式持久化存储于运行状态库中，该结构化记录完全独立于用户的会话消息存储，因此用户关闭浏览器或刷新页面后，任务进度不会丢失，基于状态库中的记录即可完整还原执行现场；任务因外部依赖延迟或人工审批而挂起后，可在任意时间、任意终端上精准恢复执行，恢复时从最后校验通过的步骤的下一执行步骤继续，无需从头开始；执行失败的步骤支持定向重试，无需重新执行整个任务。进而可以实现工业软件中耗时数小时甚至数天的长流程自动化任务。

32、高风险步骤可挂起审批，满足工业安全合规要求：针对工业软件场景中涉及参数修改、数据删除、部署发布等高风险操作，提供了内置于执行链路的人工审批挂起机制。对于风险等级满足预设高风险条件的执行步骤，系统在执行前自动将任务运行状态置为待审批，并向用户展示该步骤的操作预览信息（包括拟调用的接口、输入参数及预期影响范围），仅在接收到用户的确认审批指令后方才执行。该机制在保持高度自动化的同时，在关键决策节点保留了人工兜底能力，使得自动化执行方案能够满足工业企业在安全合规层面的刚性要求。

33、进度实时可见且刷新不丢，用户体验连续一致：通过服务器推送事件流将任务进度事件（包括计划创建、步骤开始、审批请求、步骤完成和任务完成等）实时推送至用户终端，确保用户能够全程感知任务的推进状态。由于所有状态数据均已持久化存储于运行状态库，用户终端即便因网络波动或主动刷新而断开连接，重新连接后系统依然能够基于结构化记录完整恢复展示任务进度，实现了实时推送与持久化存储的解耦，既保证了监控的即时性，又保证了数据的持久性。

34、任务计划融合企业私有业务知识，按租户隔离确保数据安全：针对通用大模型在工业场景中"懂自然语言不懂业务规则"的核心痛点，引入了企业业务知识库检索增强机制。在任务规划阶段，系统自动检索调用者所属企业的业务知识库，该知识库存储了该企业的业务规则、数据字典、工艺文档、历史项目记录及由大语言模型智能体历史执行产物沉淀的知识条目，并将检索到的相关内容注入大语言模型的规划上下文，使得生成的任务计划中的数据结构、参数取值、工序顺序均与企业的实际业务规范严格对齐，所生成的代码或配置无需修改即可在企业的现有业务系统中落地执行。更重要的是业务知识库按企业租户隔离存储，不同企业的知识库互不可见，且知识检索范围严格继承知识条目在录入时的访问控制权限，在提升计划精度的同时，从根本上保障了企业核心业务数据的安全与隐私。

35、综上所述，本发明从执行可靠性、任务可恢复性、操作可控性、用户体验连续性和业务知识融合安全性五个维度，系统地解决了现有llm智能体方案在工业软件场景中面临的落地瓶颈，具有显著的实用价值与商业应用前景。