Answers are grounded in this paper and cite their sources.
智能体系统在感知、规划与执行能力上取得了长足进展. 从感知在回路 (Sensing-in-the-Loop, SITL) 到人在回路 (Human-in-the-Loop, HITL), 现有决策范式相继打通了智能体的感知通道与指令通道, 使其得以 响应物理世界并遵循人类指令. 在长程、不可逆、含隐性约束的多步决策中, 人类指令无法全量显式定义所有 规则与约束; 因此在给定指令空间内被动采样与机械执行的智能体, 时常陷入仅满足当前需求的短期陷阱并诱 发长期潜在风险. 其结构性短板在于: 智能体缺乏一种使其能够在行动之前主动构造并分析不同候选未来的决 策机制. 我们提出 Prediction-in-the-Loop (PITL) 这一面向 AI 智能体决策回路的前瞻性决策范式, 将以行动 为条件的反事实预测系统性地引入决策回路, 作为继感知与人类反馈之后的新型回路内构件, 使智能体的决策 从 “依据当前做出” 演进为 “依据预测做出”. 在理论层面, 我们首先建立 Future-Belief MDP 框架, 将智能体决 策回路中的 “预测—决策” 耦合形式化为未来轨迹信念空间上的马尔可夫决策过程, 并证明了退化条件、校准 误差—决策遗憾关联以及预见价值存在条件等核心性质. 围绕 “如何预测”、“如何评价”、“如何利用” 三个递 进的核心科学问题, 系统提炼 PITL 范式所面临的、现有方法论尚未成熟解决的关键挑战, 并以 Future-Belief MDP 为统一标尺, 将相关现有技术对应至 PITL 的局部实现. 在系统与实证层面, 我们构建并开源了基于多模 型协同的 PITL 原型系统 ForesightLM 与面向前瞻性决策的基准测试 Foresight Decision Benchmark; 初步的 多角度实验结果表明: 相较于 Chain-of-Thought、Tree-of-Thoughts 等推理方法, PITL 在前瞻性决策任务上 取得了更好的表现, 其增益在不同模型族与决策领域上较为一致, 并在成本–质量权衡上提供了更高效的工作 点. 本研究希望进一步推动智能体从被动的 “指令跟随” 向具备 “先见之明” 的决策方式演进, 为智能决策系统 的研究提供新的概念框架与参照.
No takes yet. Share an insight, caveat, or question.
Liu et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: