一种共享上下文生成与任务路由方法
本发明涉及多智能体协同处理,尤其是涉及一种共享上下文生成与任务路由方法。
背景技术:
1、随着大语言模型与工具调用技术的发展,面向多源异构知识库的检索问答任务逐步形成多智能体协同处理形态。现有多智能体检索问答系统虽然能够通过不同领域智能体分工完成方案检索、物资材料查询、机械设备查询、图片检索和标准规范检索等任务,但在多轮追问和跨领域切换场景下仍存在较为明显的不足。
2、现有技术中,cn121919315a公开了一种大模型多轮对话中的上下文理解与记忆管理系统及方法,该方案采用五层分布式微服务架构,通过重要性衰减算法实现对话记忆的三级分级存储,结合多粒度动态编码与知识图谱语义关联技术,有效解决了单智能体长对话场景下的上下文丢失、记忆衰减与语义连贯性不足的问题,实现了对话记忆的智能管理与长周期逻辑一致性保障。但其仅面向单智能体通用对话场景设计,未涉及多智能体跨领域分工的处理架构,既没有按领域分区构建独立上下文的隔离机制,也未针对跨领域切换场景设置信息读取权限管控规则,当应用于多智能体检索问答系统时,前一领域的工具原始返回、未筛选候选结果与中间推理内容易被后一领域智能体误用为事实依据,引发跨领域上下文污染;同时该方案缺乏对工具调用过程数据的脱敏筛选机制,领域工具返回的过程性数据可直接进入历史上下文,存在工具过程数据泄露的风险,也会增加模型的无效输入负担。
3、为优化多智能体系统的任务调度能力,现有技术cn121900891a公开了一种基于因果图谱的多智能体任务路由方法,该方案以加权有向因果图谱替代传统扁平化状态空间,通过结构化因果元数据标注发言关联关系,结合语义相似度、证据可信度与时间衰减三维度量化因果强度,并基于团队共识度与节点影响力得分动态推进子任务,有效提升了多智能体协同决策的路由效率与推理准确性。然而,该方案聚焦通用多智能体辩论决策场景,其路由机制仅围绕因果逻辑的智能体选择展开,未针对检索问答场景设计路由输出的规范化校验环节,任务调度端直接输出的结果易出现非法领域标识、多个路由调用冲突、夹带解释性文本等异常情况,进而导致下游领域任务分派失败;同时该方案采用全局统一的状态空间存储全量交互信息,未区分当前轮内部处理数据与跨轮共享数据的边界,也未针对多轮检索产生的结构化证据设计分级压缩与预算管控机制,随着多轮问答持续推进,候选证据与资源信息不断累积极易超出模型上下文预算,影响长会话场景下系统的运行稳定性。
4、综上所述,现有技术在多智能体检索问答领域,主要存在跨领域上下文缺乏隔离易引发污染、工具调用过程数据无筛选易泄露、任务路由输出缺少规范化校验稳定性不足、多轮累积证据缺少分级压缩机制易超上下文预算等问题,难以在保障多轮问答连续性的同时,兼顾跨域信息安全性与系统长周期运行可靠性。
技术实现思路
1、本发明的主要目的在于提供一种共享上下文生成与任务路由方法,解决现有多智能体系统中跨领域上下文污染、工具过程泄露、任务路由不稳定及多轮历史信息膨胀等问题。通过构建分层的运行态状态集合、引入路由校验机制、设计差异化的历史信息加载模式,并配合共享上下文的有序生成与证据快照的智能压缩,实现多轮检索问答过程中的历史信息有序复用与问答结果稳定输出。
2、为解决上述技术问题,本发明所采用的技术方案是:一种共享上下文生成与任务路由方法,包括以下步骤:
3、s1、构建运行态状态集合,运行态状态集合包括私有上下文区、共享上下文区和全局路由状态区;
4、s2、将领域智能体调用底层工具返回的原始数据写入私有上下文区,并通过脱敏筛选提取结构化证据写入共享上下文区;
5、s3、在任务路由端通过路由校验模块,对任务调度智能体输出的路由结果进行校验后分派至对应的下游领域任务端;
6、s4、在生成新一轮输入上下文时,若系统当前的总token消耗量大于预设的上下文安全预算阈值,则对共享上下文区中的历史结构化证据执行分级压缩后进行加载。
7、优选的,步骤s1中,运行态状态集合采用分层架构进行隔离管控,其中:
8、私有上下文区,用于存储单一领域智能体在当前轮次内部调用的工具过程数据;
9、共享上下文区,用于存储经过脱敏筛选、允许跨领域共享的事实证据与实体关联;
10、全局路由状态区,用于存储当前对话的执行轮次、当前活跃的领域标识以及路由历史。
11、优选的,步骤s2中,通过脱敏筛选提取结构化证据写入共享上下文区,具体包括:
12、过滤掉私有上下文区中原始数据内的过程性调试信息、非文本流数据及中间推理草稿以获得精简后的文本;
13、从精简后的文本中提取结构化证据和业务实体;
14、仅在当前激活的下游领域智能体具备对应数据读取权限时,将结构化证据和业务实体有序写入共享上下文区。
15、优选的,步骤s3中,对路由结果进行校验,具体包括:
16、提取路由输出中的目标领域标识,校验其是否属于预设的合法领域智能体集合,若为未定义标识,则触发拒绝分派;
17、检测路由输出中是否存在同时调用两个或多个互斥领域智能体的冲突指令;
18、提取路由决策中的结构化路由段,过滤并剔除大语言模型夹带的解释性文本或旁白。
19、优选的,步骤s3中,当用户输入跨领域追问请求时,任务调度智能体与路由校验模块的协同交互逻辑包括:
20、任务调度智能体基于当前的全局路由状态区和共享上下文区的内容进行推理,生成包含目标激活领域和任务参数的路由决策文本;
21、路由校验模块拦截路由决策文本,通过执行正则表达式匹配检查文本中是否夹带大模型的自然语言旁白,若存在,则通过基于token边界的切片操作剔除旁白,仅保留json标准格式段;
22、解析json标准格式段并比对目标激活领域字段,若检测到多个目标领域或不存在目标领域,判定为调用冲突,向任务调度智能体返回重反馈错误代码以触发重新路由决策;若校验通过,则将规范化后的json指令路由至对应的下游领域智能体。
23、优选的,步骤s4中,总token消耗量的计算公式如下:
24、;
25、其中,为当前轮次用户输入的原始请求文本对应的token数,代表当前全局路由状态区包含执行轮次、当前活跃领域标识及路由历史对应的token数,代表共享上下文区中所存储的第轮历史对话所产生的结构化证据所对应的token数,为历史对话的总轮次。
26、优选的,步骤s4中,对历史结构化证据执行分级压缩之前,还包括构建证据快照并进行分级标注的步骤:
27、计算历史结构化证据与当前轮用户输入之间的加权得分,并依据加权得分的高低将历史结构化证据赋予差异化的级别标签;
28、级别标签包括:对应得分大于第一设定阈值的一级标签、对应得分介于第一设定阈值与第二设定阈值之间的二级标签、以及对应得分低于第二设定阈值的三级标签。
29、优选的,加权得分的计算公式如下:
30、;
31、其中,表示第轮历史结构化证据与当前轮用户输入之间的语义相似度,采用余弦相似度或点积相似度计算,为语义相关度权重系数,为时间衰减权重系数,为时间衰减率参数,为当前轮次与历史证据轮次之间的时间距离。
32、优选的,步骤s4中,执行差异化分级压缩,具体包括:
33、针对被打上三级标签的证据,执行硬性剔除策略,直接将其从共享上下文的当前生成序列中整体抹除;
34、针对被打上二级标签的证据,执行软性摘要压缩或向量表征转化策略,将其转换为结构化键值对摘要或者转换为固定长度的向量表征;
35、针对被打上一级标签的证据,执行零压缩高保真策略,保持其原始的纯文本和结构化字段不变。
36、优选的,步骤s4中,分级压缩后的加载步骤具体包括:
37、通过快照管理模块将零压缩的一级标签证据、经过压缩摘要化或向量化的二级标签证据、当前的全局路由状态以及当前用户输入进行重组,生成token总量控制在上下文安全预算阈值以内的精简版共享上下文快照;
38、将精简版共享上下文快照动态加载至任务调度智能体及当前激活的下游领域智能体的当前轮次输入端。
39、有益效果:
40、1、解决跨领域上下文污染与隐私泄露问题,通过构建私有、共享和全局路由三层隔离架构,在不同领域智能体间划定了清晰的数据边界;配合增量脱敏筛选机制与严格的信息读取权限管控,确保敏感的底层工具过程数据不外泄,同时避免了历史轮次中的未筛选噪声干扰后续智能体的推理决策。
41、2、显著提升了任务调度的准确性与路由系统的稳定性,通过在路由端串联独立的路由校验模块,对调度输出依次实施合法性、冲突性(单射校验)与文本格式规范化拦截,直接利用正则表达式及token切片技术剔除大模型的自然语言旁白。这有效解决了多智能体系统中常见的非法标识调用、多领域冲突分派及由于文本夹带导致的下游解析失败问题。
42、3、完美平衡了长会话语义完整性与token预算控制,引入了结合语义相关度与时间衰减因子的加权得分算法,对长周期历史数据实施智能构建证据快照并进行三级分级标签标注。对不同价值强度的信息分别采取“硬性剔除”、“摘要/向量化软压缩”及“零压缩高保真”的差异化策略,将总量精准控制在安全预算内,既消除了上下文膨胀导致的运行崩溃,又确保了核心上下文的长周期逻辑闭环。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com