一种基于多智能体协同的状态一致性动态对齐方法及系统

本发明涉及动态对齐方法，特别是涉及一种基于多智能体协同的状态一致性动态对齐方法及系统。

背景技术：

1、随着生成式人工智能（generative artificial intelligence）与大语言模型（large language models, llms）技术的发展，基于自然语言的人机交互系统已经广泛应用于智能问答、智能助手、自动决策、内容生成、多智能体协作等多个技术领域。现有生成式智能系统通常采用“输入—推理—输出”的单轮响应模式，通过对用户输入进行语义理解后直接生成结果，其核心目标主要集中于响应速度、内容流畅性与任务完成能力。

2、近年来，多智能体系统（multi-agent systems, mas）逐渐成为复杂智能任务的重要实现方式。多个智能体可分别承担语义理解、逻辑验证、知识检索、状态维护、行为规划等不同功能模块，并通过协同机制共同完成复杂推理任务。相比单一智能体，多智能体系统在复杂任务分解、长期状态管理及动态环境适应方面具备更强能力。

3、然而，当前主流生成式交互系统仍普遍存在以下问题：系统通常将用户输入默认视为可信信息，仅进行局部语义理解后直接生成响应，缺乏对输入内容与历史长期状态之间的一致性校验能力。当用户输入与系统长期记忆中的既有事实、逻辑关系或历史状态发生冲突时，系统往往仍会继续生成内容，从而导致逻辑错误、状态漂移、认知混乱或上下文断裂等问题。

4、尤其在长周期交互、多轮上下文演化以及复杂协同任务场景中，生成式系统容易出现以下现象：1）系统对历史状态缺乏持续一致性维护能力；2）模型容易受到当前输入局部语义的强干扰；3）系统无法识别隐含逻辑矛盾；4）生成行为缺乏动态纠偏机制；5）系统交互方式过于被动，仅能执行直接响应。

5、当前已有部分研究尝试通过记忆增强、向量数据库、检索增强生成（retrieval-augmented generation, rag）等方式缓解上下文遗忘问题，但多数方案仅停留在“相关信息召回”层面，缺乏针对“状态一致性冲突”的动态检测与主动纠偏机制。

6、综上所述，现有技术存在以下缺陷和不足：

7、1）缺乏长期状态一致性维护能力：现有生成式系统通常仅依赖当前上下文窗口进行推理，缺乏对历史长期状态的结构化维护能力。当交互轮次增加时，系统容易出现状态漂移、历史事实遗忘及逻辑关系断裂等问题。

8、2）缺乏输入逻辑冲突检测机制：当前系统通常默认用户输入为有效信息，仅进行语义解析而不验证其与已有知识状态之间是否存在冲突。当输入内容与系统长期记忆中的事实状态不一致时，模型仍会继续生成输出，从而产生逻辑错误或认知矛盾。

9、3）生成行为过于被动：现有生成式系统大多采用“直接响应”机制，在检测到潜在逻辑异常时缺乏主动干预能力，无法通过引导式提问推动输入端进行自我逻辑修正，导致错误信息被持续强化。

10、4）缺乏动态交互模式切换机制：当前系统通常采用固定交互范式，无法根据认知状态动态切换响应模式。当出现逻辑不确定性或冲突状态时，系统缺乏从“输出模式”切换至“引导模式”的能力。

11、因此，如何构建一种能够在多轮交互过程中实时维护全局认知一致性、检测输入逻辑冲突并动态切换交互策略的多智能体协同状态一致性动态对齐方法，成为当前生成式人工智能领域亟需解决的重要技术问题。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于多智能体协同的状态一致性动态对齐方法及系统，用于解决现有生成式人工智能系统缺乏长期状态一致性维护能力、缺乏输入逻辑冲突检测机制、生成行为过于被动以及缺乏动态交互模式切换机制的问题。

2、为实现上述目的及其他相关目的，本发明提供如下技术方案：

3、一种基于多智能体协同的状态一致性动态对齐方法，包括以下步骤：构建用于存储历史交互过程中形成的稳定事实状态、逻辑关系状态以及长期行为状态的全局长期状态记忆库；在接收到新的输入语句后对输入的语句内容进行向量化编码，并根据向量化编码后的语句内容对应的状态向量和全局长期状态记忆库确定输入内容与历史认知之间的潜在冲突，其中，所述潜在冲突包括冲突位置以及冲突类型与冲突置信度；

4、获取对应所述冲突置信度的预设阈值，并根据所述预设阈值与冲突置信度之间关系判定是否进入引导提问模式，从而实现输入侧的自我逻辑修正；根据所述全局长期状态记忆库确认完成输入侧自我逻辑修正后的输入语句对应的状态向量是否满足一致性条件，并根据确认结果使用输入语句对应的状态向量更新所述全局长期状态记忆库，从而实现长期认知结构的自适应演化与稳定对齐。

5、于本发明的一实施例中，所述构建用于存储历史交互过程中形成的稳定事实状态、逻辑关系状态以及长期行为状态的全局长期状态记忆库，包括：获取历史状态语句，并对所述历史状态语句进行语义向量编码，将状态文本映射至统一高维语义空间中，从而得到对应历史状态语句的向量表示；将所有状态向量统一存储于向量记忆空间中，并在所述向量记忆空间中根据所有状态向量建立状态关系图以维护不同状态之间的逻辑依赖关系，从而得到全局长期状态记忆库。

6、于本发明的一实施例中，所述在接收到新的输入语句后对输入的语句内容进行向量化编码，并根据向量化编码后的语句内容对应的状态向量和全局长期状态记忆库确定输入内容与历史认知之间的潜在冲突，包括：在接收到新的输入语句后对输入的语句内容进行向量化编码，并对向量化编码后的语句内容对应的状态向量与全局长期状态记忆库内的历史状态集合进行向量相似度计算；

7、根据相似度计算结果确定与当前输入最相关的历史状态集合，并通过逻辑验证智能体对所述输入语句对应的状态向量和与当前输入最相关的历史状态集合进行一致性评估，根据一致性评估结果确定输入内容与历史认知之间的潜在冲突。

8、于本发明的一实施例中，所述获取对应所述冲突置信度的预设阈值，并根据所述预设阈值与冲突置信度之间关系判定是否进入引导提问模式，从而实现输入侧的自我逻辑修正，包括：获取对应所述冲突置信度的预设阈值，并判断所述冲突置信度是否超过预设阈值；

9、若是，则立即中止默认生成流程，并切换至引导提问模式，在所述引导提问模式下，引导决策智能体根据冲突类型、状态偏移程度以及历史状态稳定性生成对应的逻辑确认问题，引导输入端重新确认当前状态信息，从而实现输入侧自我逻辑修正。

10、于本发明的一实施例中，所述根据所述全局长期状态记忆库确认完成输入侧自我逻辑修正后的输入语句对应的状态向量是否满足一致性条件，并根据确认结果使用输入语句对应的状态向量更新所述全局长期状态记忆库，从而实现长期认知结构的自适应演化与稳定对齐，包括：对完成输入侧自我逻辑修正的输入语句进行向量化编码，并对向量化编码后的语句内容对应的状态向量与全局长期状态记忆库内的历史状态集合进行向量相似度计算；

11、根据相似度计算结果确定与当前输入最相关的历史状态集合，并通过逻辑验证智能体对输入语句对应的状态向量和与当前输入最相关的历史状态集合进行一致性评估；根据一致性评估结果确认输入语句对应的状态向量是否满足一致性条件，并根据确认结果使用输入语句对应的状态向量更新所述全局长期状态记忆库，从而实现长期认知结构的自适应演化与稳定对齐。

12、于本发明的一实施例中，所述一致性条件包括时间逻辑一致性、属性状态一致性、行为关系致性、因果关系一致性以及多轮上下文一致性。

13、一种基于多智能体协同的状态一致性动态对齐系统，基于所述的基于多智能体协同的状态一致性动态对齐方法，包括交互层、核心处理模块、多智能体协同模块以及长期状态记忆库模块；其中，所述交互层包括动态交互模式切换模块，所述动态交互模式切换模块内设有用于正常生成响应的直接输出模式和用于逻辑纠偏的引导提问模式。

14、于本发明的一实施例中，所述核心处理模块包括输入解析模块、语义编码模块、状态检索模块、一致性评估模块、冲突检测模块、置信度评估模块以及引导式提问生成模块。

15、于本发明的一实施例中，所述多智能体协同模块包括语义理解智能体、历史状态检索智能体、逻辑验证智能体、置信度评估智能体以及引导决策智能体。

16、如上所述，本发明的一种基于多智能体协同的状态一致性动态对齐方法及系统，具有以下有益效果：

17、1、针对长期状态一致性缺失的改进及优点：本发明通过构建长期状态记忆库与状态向量化建模机制，实现历史事实、逻辑关系及行为状态的结构化存储，并结合实时状态一致性评估机制，对当前输入与历史状态进行动态比对，从而有效维持系统长期认知稳定性；经实测验证，在长轮次连续交互场景中，本发明可显著降低状态冲突率与上下文逻辑偏移现象，提升系统长期交互一致性。

18、2、针对输入逻辑冲突无法检测的改进及优点：本发明通过引入基于语义向量匹配与大模型逻辑评估相结合的一致性冲突检测机制，实现对输入内容的实时逻辑验证；当系统检测到当前输入与长期状态存在冲突时，可自动识别冲突位置、冲突类型及冲突置信度，从而有效避免逻辑错误持续扩散，显著提升系统认知可靠性与输出稳定性。

19、3、针对交互模式过于被动的改进及优点：本发明提出基于冲突置信度梯度的动态交互模式切换机制，当检测到认知冲突时，系统自动中止直接生成流程，并切换为引导提问模式，通过多轮逻辑确认问题诱导输入端进行自我逻辑修正，相比传统被动响应机制，本发明显著增强系统的主动纠偏能力与动态交互能力，提高复杂交互场景下的人机协同稳定性。

20、4、针对复杂交互场景适应性不足的改进及优点：本发明采用通用状态表示机制、统一语义编码机制以及动态一致性评估框架，不依赖具体业务领域即可实现状态逻辑维护与认知冲突检测；因此，本发明具备良好的跨领域适配能力，可广泛应用于智能助手、多智能体协同系统、自动决策系统、数字交互平台及复杂人机协同系统等多个技术领域，具有较高的工程通用性与产业推广价值。