Ag
ARIA: Runtime Inspection and Amendment for Multi-Agent Systems
ARIA 提出面向 LLM 多智能体系统的运行时检查与修正框架,将执行验证过的修复转化为可复用监督数据,训练小模型在任务执行中途识别错误并介入修正,避免事后诊断或反复重跑。构建了首个大规模失败轨迹与验证修复配对数据集(3953 对),可跨框架与宿主模型泛化。
Agent·arXiv cs.AI·5 天前
先用站内已采集内容作答;站内不足时联网检索,每条结论都给出来源链接
1 条 · 点击可看原文全文与中文译文
ARIA 提出面向 LLM 多智能体系统的运行时检查与修正框架,将执行验证过的修复转化为可复用监督数据,训练小模型在任务执行中途识别错误并介入修正,避免事后诊断或反复重跑。构建了首个大规模失败轨迹与验证修复配对数据集(3953 对),可跨框架与宿主模型泛化。
现有资料不足以回答该问题。 资料 1 只提供了 ARIA 框架的摘要级信息,能确认的部分是:
但摘要中没有说明小模型在运行时具体依据哪些信号(例如日志异常、工具调用返回、智能体间消息一致性、验证器反馈等)来判断是否需要介入修正,也没有给出信号类型清单或判定机制细节1。因此无法基于现有资料列出具体信号。 建议补充获取该论文正文(方法章节中关于运行时检查触发条件的部分)后再作答。