频年来，谎言语模子在数学、代码等任务上的发扬继续刷新上限，但到了医疗会诊、故障排查这类确实寰球任务里，确实转折的是让多个智能体在不细目的动态环境中抓续调和推理。

以医疗会诊为例，主治医师不成能一滥觞就让病东谈主把通盘查验王人作念一遍，而是要根据现时会诊标的，动态安排影像科、训练科等不同科室舒适开展查验、抓续补充凭据，并在过程中继续修正判断。

比拟之下，现存多智能体推理要领天然看起来作念了单干，但时常要么停留在浅薄串联多个智能体的层面，仅仅把前一个智能体的输出交给下一个连接处分；要么默许通盘凭据王人一经提前备好，穷乏确实的自主访谒和动态方案智商。

论文指出，也正因如斯，现存CoT、ToT、GoT、FoT等推理框架在移动到医疗会诊、漫步式系统故障排查等场景时，时常会进一步暴领会四类失败模式：凭据伪造、荆棘文漂移、回溯失败和过早住手。

图1:传统推理框架在溯因任务中的四类典型问题

这些失败并不是随机征象，而是来自两个结构性流毒：

因此，在长程推理过程中，智能体时常难以踏实吝惜推理状况，容易偏离正确标的，或过早停留在表层论断。

南开大学洽商团队和梦想合作提议了GraphofStates（GoS），一个面向通用溯因推理任务的神经象征框架，其中枢宗旨是为溯因任务显式构建一个可人惜、可回退、可束缚的推理状况空间，把原来隐式、松散的推理过程，滚动为受束缚的有向搜索。该责任已被ICML2026贯注罗致。

当今，xCloud梦想智能云正加快将GoS本事融入其智能运维居品体系，助力企业构建零故障、自愈合、业务感知的智能运维体系。

01GoS：给推理加上“显式信念状况”

GoS的中枢想想，是把多智能体调和与显式信念状况建模谈论起来。通盘这个词系统分为两层：表层是见地层，负责具体畛域内的多智能体调和；基层是象征层，负责吝惜结构化推理状况，并对过程进行导航和束缚。

在见地层中，GoS不再袭取衰败的功能原子，而是让中心智能体和行家智能体差异对应本质寰球中的专科扮装。比如在医疗场景中，不错对应主治医师、影像科医师、病理科医师；在漫步式系统场景中，则对应诳骗运维、Linux运维、网罗运维和数据库运维。这么作念的目的，是让推理经过更贴近确实寰球中的调和单干，也更便于东谈主意会和审查其推理过程。

图2:GoS总体框架：双层神经象征架构与全体推理经过

GoS最重要的部分是象征层。它不再把访谒过程荫藏在非结构化历史对话里，而是显式吝惜一个由因果图和状况机构成的信念状况。前者纪录症状、凭据、假定尽头救助、反驳和细化关连；后者箝制现时推理层级，决定系统是连接征集凭据、向更细粒度下钻，如故在出现粉碎凭据时回退到更早层从头判断。

与此同期，GoS还引入了一个很重要的机制：推理焦点（reasoningfocus）。系统在每一步王人不会平均地看待通盘可能标的，而是聚焦现时层级中置信度最高的假定，把访谒预算和推理资源鸠集到最值得跟踪的分支上。这么作念成心于把原来容易发散的探索，酿成更像“有导航的访谒”。

02双层闭环：从推理焦点到凭据更新

GoS的推理过程不是浅薄的‘先策画、再奉行’，而是一个抓续轮回的双向闭环。率先，象征层会根据现时信念状况找到推理焦点，并将其滚动为对见地层的访谒指示；随后，见地层调用用具、获取凭据并完因素析，再将赶走复返给象征层，用于更新因果图、从头校给假树立信度，并触发下一轮状况调度。

这一闭环使多智能体调和不再是无束缚的解放阐扬，而是遥远围绕现时最有价值的假定前进；新得到的凭据也不再仅仅停留在文本里，而会成为后续推理的依据。

图3:双向神经-象征交互：从推理焦点提醒访谒，到新凭据反向更新信念状况

03重要机制：该回溯时回溯，该下钻时下钻

关于溯因任务来说，确实转折的时常不是“生成一个谜底”，而是在推理过程中根据凭据变化，按纪律决定状况转化。为此，GoS想象了两类中枢状况调度机制：Backtracking和Drill-Down。

不同于把这些方案全王人交给智能体解放阐扬，开运(中国)官方appGoS为状况演化引入了明晰的转化纪律。具体来说，当现时推理旅途上的某个表层祖宗假定在置信度重估后不再是该层最优候选时，系统会回退到对应层级并剪除树立在空幻前提上的后续分支；而下钻也不是“以为差未几了就连接往下想”，而是唯一当现时最优假定同期舒服鼓胀的置信度上风和鼓胀的救助凭据数目时，系统才会进一步细化到更具体的子假定。恰是这种带有明确束缚的状况箝制，使GoS在濒临非单调、动态演化的信息时，不再仅仅生成连贯文本，而是能够以更踏实、更可控的口头舒适迫临确实可奉行的根因。

图4:状况调度：回溯（Backtracking）与下钻（Drill-Down）

04实验：在两个高风险确实场景中考据GoS

为了考据GoS的灵验性和通用性，论文聘请了两个额外具有本质兴味兴味的溯因场景：医疗会诊和漫步式系统故障会诊。在医疗会诊任务中，作家基于DiagnosisArena基准作念了一个重要改换：不再一滥觞就提供竣工援救查验赶走，而是只给病东谈主主诉和基础肉体查验，让智能体像确实医师同样主动苦求查验、舒适获取外部信息，再完成会诊，从而收复“主动取证、动态推理”的溯因实质。在这一任务上，GoS在Human-as-a-Judge评估下取得了39.86%的Match和78.99%的Relevant，显露优于通盘基线要领，并在更低资本下末端了更好的赶走。

在漫步式系统故障会诊任务中，论文基于确实坐褥环境构建了150个incident，条目智能体从滥觞告警启航，主动查询日记、方针和shell输出，舒适收复故障荆棘文并定位rootcause。实验赶走自满，GoS取得了70.67%的Match和88.00%的Relevant，其中Match比最强基线进步36.67个百分点。这阐述，许多要领天然能判断“问题梗概在哪个标的”，因此Relevant并不低，但要进一步束缚到确实可奉行的细粒度根因，仍然需要抓续访谒、状况箝制和层级下钻，而这恰是GoS的上风。

表1:医疗会诊赶走：GoS在Match与Relevant上均优于通盘基线

表2:漫步式系统故障会诊赶走：GoS显耀普及细粒度根因定位智商

作家还进一步进行了较为全面的消融实验与参数敏锐性分析。赶走标明，GoS的性能普及并非来自某个随机手段，而是确乎依赖于推理焦点、因果图和状况机等重要模块的协同作用；同期，跟着神经象征交互轮数、检索预算以及状况转化阈值的变化，GoS也发扬出明晰且可阐述注解的性能趋势，阐述该框架不仅灵验，而况具备较好的踏实性与可控性。

表3:消融实验：显式因果图、状况机与推理焦点不成偏废

图5:敏锐性分析：GoS在不同预算和阈值建立下的性能变化

05兴味兴味：从垂直场景要领走向通用推理框架

从更大的角度看，GoS的兴味兴味不仅仅把医疗和AIOps两个任务作念得更好，而是上前鼓吹了一个更根柢的问题：关于确实寰球中的高风险任务，智能体需要的并不仅仅更多常识、更多用具、更多荆棘文，还需要能在不竣工信息下显式吝惜信念状况，处分粉碎凭据，在必要时回溯，在相宜时下钻，最终把搜索过程踏实地导向确实根因。从这个角度看，GoS所面向的其实亦然现时智能体洽商中额外重要的一类问题，即long-horizonreasoning与multi-turninteraction：智能体不仅仅回复一次，而是要在抓续访谒和多轮交互中保抓状况一致，并舒适束缚。

论文也指出，GoS并不放置已有的畛域特化要领，反而与它们互补。无论是医疗中的高质地常识库和RAG，如故AIOps中的多模态预处分和SOP检索，王人不错与GoS谈论，普及其在垂直场景中的搜索恶果和方案可靠性。换句话说，GoS提供的不是某一个专用智能体，而是一套面向溯因推理、也面向智能体长程推理的通用推理骨架。

作家简介

本文第一作家为罗宇开运(中国)官方app，南开大学智能运维课题组博士一年龄，主要洽商标的为智能体长程推理、自进化智能体和根因分析。本文通信作家为南开大学软件学院副教学、博士生导师孙永谦。他经久深耕智能运维（AIOps）畛域，聚焦云原生、数据中心、超算、智算等畛域的故障机理洽商，同期勉力于于多智能体调和与大模子推理优化等前沿标的，抓续推动面向复杂系统的智能方案洽商。