买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)申请的专利面向智能体工作流的动态故障感知与风险传播预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121637492B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610147856.4，技术领域涉及：G06F21/55；该发明授权面向智能体工作流的动态故障感知与风险传播预测方法是由赵志刚;杨文惠;李传涛;李响;王春晓;马江霖;张杨;王庆瀚设计研发完成，并于2026-02-03向国家知识产权局提交的专利申请。

本面向智能体工作流的动态故障感知与风险传播预测方法在说明书摘要公布了：本发明涉及一种面向智能体工作流的动态故障感知与风险传播预测方法，属于人工智能领域。包括：依据目标工作流构建动态依赖图；针对每一工具节点，输入输出可信审计器通过格式合规层、执行状态层和语义一致层对工作流分别进行验证，全部验证通过，继续执行；当任一层验证未通过，则阻断返回故障信息结构化报告，并判定错误严重性权重和数据敏感性权重；针对验证未通过的工具节点的下游节点，通过基于动态依赖图的风险传播预测模型进行管控。本发明能够及时拦截初始故障，防止其在复杂的工作流中引发级联传播与放大效应；改变了智能体工具流中错误处理的范式，使其从事后被动的应急响应转变事中精准控制，增强了复杂工作流的鲁棒性和可靠性。

本发明授权面向智能体工作流的动态故障感知与风险传播预测方法在权利要求书中公布了：1.一种面向智能体工作流的动态故障感知与风险传播预测方法，其特征在于，包括以下步骤： S1，智能体根据用户指令规划出目标工作流，依据规划出的目标工作流构建动态依赖图，得到多个工具节点及工具节点属性； S2，针对每一工具节点，输入输出可信审计器采用分层验证架构，通过格式合规层、执行状态层和语义一致层对工作流分别进行验证，全部验证通过，输出数据流入下一个工具节点，继续执行工作流； 当格式合规层、执行状态层或语义一致层任一层验证未通过，则阻断并返回故障信息结构化报告，并根据错误类型判定错误严重性权重和数据敏感性权重； S3，针对S2中验证未通过的工具节点的下游节点，通过基于动态依赖图的风险传播预测模型进行管控，通过计算风险传播概率阻断高风险路径，抑制错误的级联传播； 步骤S1中，采用“静态骨架与动态注入”相结合的机制构建动态依赖图，首先依据目标工作流预构建一个全局静态拓扑骨架，明确所有工具及工具间潜在的数据流向； 然后将工作流中每个工具抽象为节点，节点属性涵盖工具编号及名称、执行耗时、工具状态、工具执行状态和重试次数5个指标；将数据依赖抽象为边，边属性信息包括相邻工具间的具体数据项依赖关系和因果强度2个指标； 随着智能体工作流的执行，通过轻量级插桩技术动态观测工具执行状态，获取工具调用的开始时间、结束时间，计算工具执行耗时； 步骤S2中，格式合规层对流入工具节点的数据和工具节点输出的数据进行格式审查，过滤工具幻觉错误、参数缺失错误、参数键名错误和参数值类型错误，校验不通过返回对应的错误类型； 执行状态层负责对工具调用的执行过程状态进行验证，及时发现工具执行中超时错误、网络连接错误、权限或认证问题和服务器内部错误； 语义一致层负责深度校验工具输出数据的有效性与相关性，语义一致层采用INT8量化的Sentence-BERT模型，首先从工具文档及历史正确输出中抽象出语义模板，并通过计算输出内容与语义模板之间的余弦相似度来动态评估其语义有效性，若余弦相似度大于阈值，则判定输出语义有效，若余弦相似度小于等于阈值，则判定输出语义无效，拦截此输出，并返回输出数据格式完整但内容无效的错误类型； 输入输出可信审计器中维护有一张预定义的错误严重性映射表，根据错误类型编码直接索引错误严重性映射表以获取错误严重性权重； 错误严重性映射表的构建逻辑由历史数据驱动，基于历史数据统计并计算具体错误与最终任务失效之间的统计相关性，建立条件失效概率模型；基于历史数据统计错误子类出现的总次数为，由于该错误直接或间接导致任务最终失败的次数为，将错误子类对应的任务失效比率错误子类作为错误严重性权重，的计算公式为： ； 错误严重性权重取值范围为[0,1]，0代表无风险，1代表最高风险； 数据敏感性权重的判定采用基于元数据特征提取与关键词映射表索引相结合的方式，首先将传输数据类型划分为安全与隐私类、决策逻辑类和通用信息类三类，并构建“关键词-类别”映射表，并赋予类别对应的敏感性分值；然后对当前传输数据进行元数据特征提取，依据预设的“关键词-类别”映射表，对元数据特征进行匹配，从而将元数据特征自动映射到对应的类别，并返回该类别数据预设的敏感性分值，即获得数据敏感性权重； 数据敏感性权重取值范围为[0,1]，0代表数据正常，1代表最高数据敏感度； 如果工具未执行，其数据依赖的边上的数据敏感性权重默认为0，如果工具已经执行时，所发生的错误不同，导致工具被阻断的时间节点不同，如果错误工具未产生输出数据，将输入数据的敏感性权重直接赋值给当前错误事件的数据敏感性权重； 如果错误工具已经产生了输出数据，数据敏感性权重的判定依据动态依赖图中两个工具节点间的边上的传递数据进行判定，当单条边涉及多项传递数据时，为准确反映数据传输的最高风险边界，同时避免低敏感数据对高风险信号的稀释，采用最大风险继承策略进行权重的聚合计算，具体方式如下： 首先基于关键词映射表对传输内容中的n个独立数据项进行扫描，分别赋予其独立的数据敏感性分数，然后选取其中的最大值作为该依赖边最终的数据敏感性权重： ； 步骤S3中，风险传播预测模型为基于动态贝叶斯网络的概率推理，是一个持续优化的条件概率表集合，量化了节点间的故障传播关系； 首先将动态依赖图建模为一个动态贝叶斯网络，该动态贝叶斯网络是一个有向无环图，表示为二元组，其中顶点集合，代表工具链中的个工具节点，有向边集合，代表工具间的数据依赖关系，即的输入依赖于的输出；每个工具节点是一个二值随机变量，代表工具状态： 工具状态的默认值为0，风险传播预测模型的核心是每个节点在所有父节点取值组合下的条件概率分布，它以条件概率表的形式，量化了子节点工具受其父节点工具群体影响的强度；父节点是指所有通过有向边直接指向的节点，对于一个有个父节点的工具节点，父节点集合pa； 工具节点的先验错误概率为： 工具节点的基础后验错误概率为： 其中，表示父节点对子节点的因果强度，表达式为： 为子节点从父节点接收的输入数据项数量，是子节点的总输入数据项数量； 风险传播概率的计算公式为： 其中，为父节点的错误严重性权重，为父节点传输给子节点的数据敏感性权重； 当所有下游节点风险传播概率更新完成后，将计算出的与风险阈值进行实时比对，若小于，判定该工具节点风险可控，正常执行；若大于等于，判定为高风险路径，立即阻止该工具节点继续执行，将该工具节点的工具执行状态修改为0，防止错误在工作流中扩散。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)，其通讯地址为：250353 山东省济南市长清区大学路3501号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。