管理虚拟实验室规划中 LLM 生成的过程性知识的不确定性

教育虚拟实验室虽能提升实验训练的可扩展性，但编写新的模拟实验流程成本高昂。大语言模型可辅助生成详细实验步骤，但其输出常存在动作缺失、顺序错误或逻辑不符等不确定性，无法直接执行。本文提出一种原型框架，旨在管理虚拟实验室规划中 LLM 生成的过程性知识不确定性。该框架利用结构化领域表示和不确定的状态转移样本，提取候选过程规则并转化为显式约束，进而修复不确定的步骤。该方法不仅适用于教育领域，也适用于结构化交互环境中的动作规划问题。