目标驱动 Agent 的意图建模与任务理解

形式化：
  I(E) ∧ B(M → E) ∧ B(¬M → ¬E) → I(M)
  
示例：
  意图：I(通过考试)
  信念：B(学习 → 通过考试) ∧ B(不学习 → 不通过)
  推导：I(学习)
  
这是实践推理的核心机制
                    

一、意图的基本公理（KD 系统）：

  K_I: I(φ→ψ) → (I(φ)→I(ψ))
       // 意图对逻辑推理封闭
  
  D_I: I(φ) → ¬I(¬φ)
       // 意图一致性：不能同时意图φ和非φ

二、意图 - 愿望交互公理：

  I1: I(φ) → D(φ)
      // 意图一定是愿望（你不会意图你不希望的事）
  
  I2: I(φ) → ¬D(¬φ)
      // 意图不与愿望冲突

三、意图 - 信念交互公理：

  I3: I(φ) → B(◇φ)
      // 意图必须是 Agent 相信可实现的
      // 你不会意图你相信不可能的事
  
  I4: I(φ) → ¬B(¬φ)
      // 意图不与信念冲突

四、意图自反性公理：

  I5: I(φ) → I(I(φ))
      // Agent 知道自己的意图
      // 这是意图与愿望的关键区别

五、手段 - 端协调公理：

  I6: I(E) ∧ B(M 是实现 E 的必要手段) → I(M)
      // 如果意图目的，且相信手段必要，则意图手段

这些公理共同定义了理性意图的逻辑约束
                        

算法：IntentionFormation

输入：
  • 愿望集合 D = {d₁, d₂, ..., dₙ}
  • 信念集合 B
  • 当前意图集合 I_current
  • 资源约束 R

输出：
  • 新意图集合 I_new

过程：
  1. 【可行性筛选】
     D_feasible ← {d ∈ D | B(◇d)}
     // 只保留相信可实现的愿望
  
  2. 【一致性检查】
     D_consistent ← {d ∈ D_feasible | 
                     ∀i ∈ I_current: ¬(d→¬i)}
     // 只保留与当前意图一致的愿望
  
  3. 【优先级排序】
     Sort D_consistent by Utility(d)
     // 根据效用函数排序
  
  4. 【资源约束选择】
     I_new ← ∅
     for d in D_consistent (按优先级):
       if ResourcesRequired(d) ≤ R:
         I_new ← I_new ∪ {d}
         R ← R - ResourcesRequired(d)
       if |I_new| ≥ MaxIntentions:
         break
  
  5. 【手段 - 端闭包】
     I_final ← CloseMeansEnds(I_new, B)
     // 添加必要手段意图
  
  6. return I_final

关键设计点：
  • 效用函数：如何评估愿望的价值？
  • 资源估计：如何预测意图的资源需求？
  • 重新考虑触发：何时重新评估意图？
                        

场景：Agent 计划去日本旅行

初始状态：
  愿望：
    D(去日本旅行)
    D(节省开支)
  
  信念：
    B(去日本需要 5 万元)
    B(当前存款 3 万元)
    B(每月可存 5000 元)
    B(10 个月后可存够钱)
    B(需要办理签证)
    B(签证需要 2 周时间)

意图形成推理：
  
  步骤 1：可行性筛选
    D(去日本) 可行吗？
    B(◇去日本) = true（10 个月后可实现）
    ∴ 通过筛选
  
  步骤 2：一致性检查
    I(去日本) 与 I(节省开支) 一致吗？
    ¬(去日本 → ¬节省开支) = true
    ∴ 一致（可以既旅行又节省）
  
  步骤 3：手段 - 端协调
    I(去日本) ∧ B(存钱是必要手段) → I(存钱)
    I(去日本) ∧ B(办签证是必要手段) → I(办签证)
  
  步骤 4：计划生成
    意图：I(去日本)
    计划：
      Month 1-10: 每月存 5000 元
      Month 11: 办理签证
      Month 12: 去日本旅行

最终意图集合：
  I(去日本旅行)
  I(每月存 5000 元)
  I(办理签证)
  I(节省开支)
                        

System Prompt:
你是一个任务解析专家。请将用户的自然语言指令
解析为结构化的任务表示。

输出格式：
{
  "intent": "意图类型",
  "parameters": {...},
  "constraints": {...},
  "subtasks": [...]
}

User: "帮我订明天去北京的机票"

Assistant:
{
  "intent": "BOOK_FLIGHT",
  "parameters": {
    "from": "CURRENT_CITY",
    "to": "Beijing",
    "date": "2026-03-11",
    "passenger": "user"
  },
  "constraints": {
    "budget": null,
    "time_preference": null,
    "airline_preference": null
  },
  "subtasks": [
    "SEARCH_FLIGHTS",
    "SELECT_BEST_OPTION",
    "CONFIRM_BOOKING",
    "PAY"
  ],
  "clarification_questions": [
    "请问您的出发城市是？",
    "您有偏好的起飞时间吗？",
    "您的预算范围是？"
  ]
}

优势：
  • 零样本学习：无需训练即可解析新指令
  • 上下文理解：能处理隐含信息和上下文依赖
  • 澄清能力：能主动提问消除歧义
                        

算法：DecomposeComplexInstruction

输入：
  • 自然语言指令 I
  • 领域知识 KB

输出：
  • 任务 DAG（有向无环图）

过程：
  1. 【连接词识别】
     识别"先"、"然后"、"同时"、"如果"等连接词
     确定任务间关系（序列、并行、条件）
  
  2. 【子句分割】
     根据连接词将 I 分割为子句 {c₁, c₂, ..., cₙ}
  
  3. 【子句解析】
     for each cᵢ:
       Taskᵢ ← ParseSingleInstruction(cᵢ)
       // 调用单指令解析
  
  4. 【依赖关系构建】
     for each pair (Taskᵢ, Taskⱼ):
       if cᵢ 在 cⱼ 之前:
         AddEdge(Taskᵢ → Taskⱼ)
       if cᵢ 和 cⱼ 同时:
         MarkParallel(Taskᵢ, Taskⱼ)
       if cᵢ 是条件:
         MarkConditional(Taskⱼ, condition=cᵢ)
  
  5. 【隐式任务补全】
     for each Taskᵢ:
       PreTasks ← GetPrerequisites(Taskᵢ, KB)
       // 添加前置任务（如"订机票"前需"搜索航班"）
  
  6. 【拓扑排序】
     OrderedTasks ← TopologicalSort(TaskDAG)
  
  7. return OrderedTasks

示例：
  指令："先订机票和酒店，然后通知客户，如果客户确认就付款"
  
  分解结果：
    Task1: SEARCH_FLIGHTS
    Task2: SEARCH_HOTELS
    Task3: BOOK_FLIGHT (depends on Task1)
    Task4: BOOK_HOTEL (depends on Task2)
    Task5: NOTIFY_CLIENT (depends on Task3, Task4)
    Task6: CONDITIONAL: if CLIENT_CONFIRMED then PAY
                        

输入：用户指令"帮我规划一个难忘的生日惊喜"

ReAct 循环：

  Thought 1（意图理解）:
    用户想要给某人策划生日惊喜。
    核心意图：CREATE_BIRTHDAY_SURPRISE
    隐含需求：
      - 需要知道寿星是谁
      - 需要知道生日日期
      - 需要了解寿星喜好
      - 预算范围？
      - 地点偏好？
  
  Action 1（信息收集）:
    AskUser("请问寿星是谁？生日是哪天？")
  
  Observation 1:
    "我女朋友，3 月 20 日生日"
  
  Thought 2（意图细化）:
    现在知道是女朋友的生日惊喜。
    细化意图：
      - 了解她的兴趣爱好
      - 查询 3 月 20 日的天气
      - 搜索浪漫惊喜创意
      - 考虑预算约束
  
  Action 2（多步信息收集）:
    AskUser("她平时喜欢什么活动？")
    QueryWeather("2026-03-20", location)
    SearchIdeas("romantic birthday surprise for girlfriend")
  
  Observation 2:
    "她喜欢户外和美食"
    天气："晴朗，15-22°C"
    搜索结果：["野餐惊喜", "日落晚餐", "星空观影"]
  
  Thought 3（计划生成）:
    基于信息生成计划：
    1. 准备野餐篮和她喜欢的食物
    2. 选择风景好的公园
    3. 安排朋友提前布置场地
    4. 日落时带她到地点
    5. 惊喜揭晓 + 晚餐
    6. 晚上星空观影
  
  Action 3（计划执行）:
    TaskList = [
      ORDER_FOOD,
      BOOK_PARK_PERMIT,
      COORDINATE_FRIENDS,
      PREPARE_DECORATIONS,
      EXECUTE_PLAN
    ]
    Execute(TaskList)
  
  ... 继续循环直到任务完成

关键特性：
  • Thought 中的意图推理是显式的、可追溯的
  • 意图在行动中不断细化和调整
  • 信息收集服务于意图理解
  • 计划生成基于意图和约束
                        

┌─────────────────────────────────────────┐
│      神经层（LLM）                       │
│  • 自然语言理解                          │
│  • 意图语义表示                          │
│  • 常识推理                              │
│  • 隐式知识                              │
└─────────────────────────────────────────┘
              │
              │ 意图提取
              ▼
┌─────────────────────────────────────────┐
│      符号层（BDI 逻辑）                   │
│  • 形式化意图表示 I(φ)                   │
│  • 逻辑一致性验证                        │
│  • 手段 - 端推理                          │
│  • 承诺持续性保证                        │
└─────────────────────────────────────────┘
              │
              │ 计划生成
              ▼
┌─────────────────────────────────────────┐
│      执行层                              │
│  • 任务分解                              │
│  • 工具调用                              │
│  • 监控与调整                            │
└─────────────────────────────────────────┘

工作流程：
  1. LLM 理解自然语言指令，提取意图候选
  2. 符号层验证意图一致性、可行性
  3. LLM 生成实现意图的计划
  4. 符号层验证计划的逻辑正确性
  5. 执行层执行计划，LLM 监控异常
  6. 异常时，LLM 重新理解，符号层重新验证

优势：
  • LLM 的灵活性与符号系统的可靠性结合
  • 自然语言接口 + 形式化保证
  • 常识推理 + 逻辑严谨性