一、方向简介

   随着大语言模型与多模态基础模型的快速发展，人工智能正由以信息生成与问答为主的应用模式，向面向复杂任务环境的自主执行与智能协同方向演进。面对开放环境中任务结构复杂、决策过程动态变化以及外部信息高度不确定等问题，传统单一模型驱动的智能系统在任务理解、连续推理与执行能力方面仍存在明显局限，难以满足高复杂度应用场景的需求。

本研究方向面向复杂开放环境中的智能决策问题，围绕“任务理解—规划决策—协同执行”全过程，综合运用大语言模型、多模态感知建模、知识增强推理与智能决策优化等技术，构建以大模型智能体为核心的自主执行与协同交互框架。通过融合环境感知、语义理解、动态记忆与行为决策机制，形成数据驱动与模型驱动相结合的智能体理论体系与关键技术，实现复杂任务的自主解析、动态规划与高效执行，推动智能系统由“生成式响应”向“自主式决策与执行”转变。

二、研究内容与成果

大模型智能体研究总体框架

大模型智能体任务理解与自主决策

   面向复杂任务环境中需求多样、结构动态变化的问题，融合多模态输入信息与任务上下文数据，开展基于大模型智能体的任务理解与自主决策研究。通过构建面向任务解析与决策生成的统一模型，实现复杂任务语义解析、任务分解与执行路径规划，为智能体自主执行提供基础支撑。

大模型智能体典型应用场景

课题组围绕智能体任务处理中的理解与决策问题，重点研究基于大模型的任务建模与推理方法。针对复杂任务存在语义不明确、步骤依赖性强等问题，引入大语言模型与多模态模型，构建任务语义表示与推理框架，实现任务目标与执行约束的统一建模；同时结合知识增强推理与上下文记忆机制，对任务执行过程进行动态优化。进一步通过任务规划与决策生成机制，建立智能体自主决策模型，实现复杂任务的自动分解与路径优化。

大模型智能体协同交互与智能决策优化

面向复杂系统中多任务协同与动态交互需求，结合多智能体系统与外部工具资源，开展智能体协同交互与决策优化研究。通过构建多智能体协同与工具调用机制，实现任务执行过程中的信息共享、协同推理与动态决策优化，为复杂任务处理提供系统化支持。

大模型智能体典型应用场景

课题组围绕智能体系统中的协同与优化问题，重点研究多智能体交互与决策机制。针对复杂环境中单一智能体能力受限的问题，引入多智能体协同框架，实现任务分工与协同执行；同时结合外部工具调用与环境反馈机制，对任务执行过程进行动态调整。进一步通过策略优化与反馈学习机制，建立智能体协同决策模型，实现复杂任务的高效执行与持续优化，并通过约束机制与结果验证方法提升系统的安全性与可靠性。