结构化权威注入：通过类型化 MCP 覆盖实现 LLM 智能体的持久人类控制

事件

针对大语言模型智能体在分布式和多智能体系统中充当自主编排者时缺乏协议级人类控制的问题，研究者提出结构化权威注入（SAI）协议。现有自由文本覆盖方式存在两个缺陷：一是缺少模式校验导致指令解释含糊，二是随着上下文累积，操作者指令的影响力会被稀释。SAI 通过类型化、经模式校验的模型上下文协议（MCP）工具调用来传递操作者纠正，并在每次大模型提示前附加一个带排序的权威上下文。

SAI 定义约束、优先级和策略三类覆盖，各自具有不同的持久化语义，并通过规划过程无法访问的定向权威通道强制执行明确的优先顺序。该方法无需微调模型，也无需访问模型权重，适用于支持 MCP 工具调用的指令微调大模型。

在覆盖智能体典型失效模式的八个场景、九个大模型上的评估显示，SAI 减少了含糊指令的误读，缓解了多轮规划中的权威衰减；在表现最强的模型上提示开销最多降低 38%（具体取决于模型和场景），但收益在不同模型间差异明显。SAI 为需要明确且持久人类控制的智能体系统提供了通用设计模式。

来源

本条目由采集管线自动抓取并发布，完整内容见下方来源链接。

*采集源：arXiv cs.AI*