在长周期、多步骤的协作任务中，传统单智能体往往面临着任务成功率随步骤长度快速衰减网上配资门户，错误级联导致容错率极低等问题。
为了应对这些问题，就需要构建具备全局规划与因果依赖管理能力的分布式智能体框架，并在真实游戏中验证效能。
基于此，来自港科广和腾讯的研究团队提出了CausalMACE方法，通过将因果推理机制系统性地引入开放世界多智能体系统，为复杂任务协同提供了可扩展的工程化解决方案。
目前，该工作已中稿 EMNLP 2025 Findings。
全局因果任务图
为了让一群 AI 像项目团队一样，既分工明确又能动态调整。论文提出"全局因果任务图"概念，让 AI 学会"如果 - 那么"的逻辑。
换句话说，就是先搭地基再砌墙，先找食材再下锅。
具体来说，全局因果任务图包含两个部分：
因果干预模块：引入平均处理效应 ( ATE ) 量化每条依赖边与游戏规则的一致性，自动剔除由大模型先验幻觉导致的错误依赖
负载感知调度：基于 DFS 路径搜索与动态"繁忙率"指标，实现多智能体实时任务再分配
而在方法框架层面，CausalMACE 则包含"判断"、"规划"、"执行"三个环节。
Judger ——"裁判"
实时验证动作是否合法，并给出成败反馈，保证所有智能体在同一套游戏规则下行动。
Planner ——"总工"
先把复杂任务拆成若干"小工单"，一次性列清。
然后再按游戏规则画一张"粗线条流程图"。
之后，再用因果推理"精修"这张图，对每一条先后关系，让大模型回答"如果游戏规则变了，这条先后关系还成立吗？"
如果，所有规则改变均不影响关系的成立，就删掉这条关系，避免 AI 做无用功。
经过这轮"去伪存真"，得到一张干净、可执行的任务因果图。
Worker ——"调度室"
首先，用深度优先搜索把因果图拆成多条"生产线"，给每条生产线实时计算"繁忙指数"。其中，正在这条线上干活的 AI 越多、离起点越远，指数越高。
接下来，让新来的 AI 自动加入指数最低的那条线，既避免扎堆，也减少等待。每完成一步，AI 向 Planner 申请下一步任务，整个过程持续迭代。
实验结论：完成率效率双增强
在 VillagerBench 三项基准任务（建造、烹饪、密室逃脱）中，相较 AgentVerse 与 VillagerAgent 基线，任务完成率最高提升 12%，效率提升最高达 1.5 倍。
代理工作量更加平衡，相同设置下最大增益达到 13%。
One more thing
这篇论文的通讯作者是来自香港科技大学（广州）的助理教授、博士生导师——王浩教授。
他 2023 年博士毕业于新加坡南洋理工大学，曾在 TikTok、地平线等公司科研工作。
主要研究兴趣为大模型生成式智能体和三维重建。发表 TPAMI、IJCV、CVPR、NeurIPS 等领域顶级会议期刊论文 50 余篇。主持国家自然科学基金青年项目，参与国家科技部国家重点研发计划项目，获 2023 年 SMP-IDATA 晨星青年基金、2024 年腾讯犀牛鸟专题项目。
论文链接： http://arxiv.org/abs/2508.18797
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见网上配资门户
尊富资本提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
