Thinking Agents：基于图网络与主动推理的目标导向多智能体系统

该项目由Marcus Anderson开发，融合检索增强生成（RAG）、图神经网络与主动推理理论，构建目标导向的多智能体平台。核心创新在于决策图谱机制，记录智能体决策路径形成可复用知识资产，解决传统LLM智能体缺乏目标导向、规划能力及经验积累的局限，实现自主规划与跨任务经验复用。

项目链接：https://github.com/maracman/thinking-agents

LLM智能体的困境：从对话到行动

传统LLM驱动的智能体虽具备优秀对话能力，但存在根本性局限：

• 缺乏真正的目标导向性，难以完成具体任务；
• 缺乏系统性规划能力，易在复杂问题中迷失；
• 无法从失败中积累经验，重复犯错。

核心问题在于缺乏管理目标、评估进展及调整策略的有效机制，而人类解决问题时会自然分解任务、设定子目标并回溯调整，这是AI实现自主的关键挑战。

Thinking Agents的创新架构

系统采用分层智能设计，核心机制包括：

1. 目标导向智能体循环：认知核心，流程为检查决策图谱→生成子目标→执行行动→LLM评判进展；
2. LLM评判机制：元认知组件，通过轻量级LLM对行动评分（1-7分），触发Go/NoGo决策，避免自我评估偏差；
3. 图智能引擎：记忆与学习基础，将Go/NoGo决策编码为图谱边，权重反映尝试次数，通过语义嵌入和最短路径算法实现经验复用。

决策图谱：从经验到智能

决策图谱是系统最具特色的设计，区别于传统RAG检索文档片段，它检索成功决策路径：

• 语义节点嵌入：用all-MiniLM-L6-v2模型将节点标签嵌入语义空间，通过余弦相似度搜索相关历史节点；
• 带权路径搜索：使用NetworkX最短路径算法，综合历史尝试次数（persistence_count）和失败惩罚（NoGo边权重×10）寻找最优路径；
• 图谱融合与迁移：支持跨智能体图谱导入与合并，形成共享知识库；
• 相似性链接：合并后自动检测语义相似节点（余弦相似度>0.8）并建立低成本连接。

主动推理的认知科学基础

系统设计植根于Karl Friston的主动推理理论（智能体通过行动最小化预测误差）：

• 预测性目标设定：主动预测达成目标的路径，驱动子目标生成与路径选择；
• 误差驱动适应：LLM评分低于预期时视为预测误差，触发策略调整（NoGo决策）；
• 自由能最小化：优先选择历史成功率高的路径（低权重边），减少认知努力。

技术实现亮点

系统技术栈体现现代全栈AI应用特征：

• 多提供商LLM支持：抽象OpenAI/Anthropic/Cohere/HuggingFace/本地GGUF模型接口，支持自动降级与重试；
• 前后端分离：前端React 17+Webpack 5，后端Flask+Waitress提供WSGI服务；
• 交互式可视化：PyVis生成HTML图谱，通过iframe嵌入前端，直观展示决策过程；
• 持久化管理：会话保存/加载/复制/删除，决策图谱以JSON格式存储，确保知识连续性。

应用场景与价值

系统适用于多种复杂场景：

• 复杂问题求解：通过决策图谱避免重复犯错，积累特定问题解决经验；
• 多智能体协作：多智能体探索不同路径，合并图谱形成全面知识库；
• 知识传承：新智能体导入经验图谱，快速获得领域能力；
• 对话游戏与叙事AI：编码情节路径，提升NPC行为连贯性。

局限性与未来方向

当前系统存在以下局限及改进方向：

1. 评判机制主观性：依赖LLM评分可能不一致，需引入客观指标或多评判者共识；
2. 图谱语义表达不足：句子嵌入无法捕捉复杂上下文，可采用更高级GNN架构；
3. 学习速度受限：依赖实际交互次数，可结合模拟环境进行快速自我对弈学习。