奖励驱动的 LLM 智能体工作流：综合 POMDP 路由与自我修正以实现自主决策

本文针对当前大语言模型智能体在长程规划、稀疏奖励归因及动态环境交互中的挑战，设计了一种新型智能体工作流。该架构融合了多种 AI 范式，引入部分可观测马尔可夫决策过程（POMDP）路由机制，并辅以内部自我修正奖励模型，在执行前评估决策轨迹。通过整合多模态输入与先进强化学习原理，智能体能维持长期结构记忆并动态调整推理路径以抑制误差累积。在 ALFWorld 和 WebShop 基准测试中，任务成功率较 ReAct 等基线提升 24.5%，显著降低了幻觉率。