NextAgent/docs/logic-trace-subnet.md

逻辑链路追踪神经网络（推理回路）

概述

逻辑链路追踪神经网络（Logic Trace Network, LTN）类比人脑的推理回路，是 NextAgent 的"思维引擎"。它负责对任务进行逻辑推理、验证推理路径的正确性，并在发现错误时执行自我修正。这是实现 可解释 AI 和 可信推理 的核心组件。

核心职责

• 逻辑验证：对调度 Core 下达的任务进行逻辑一致性检查
• 推理路径搜索：探索多条可能的推理路径，选择最优解
• 错误追溯：当推理结果矛盾或错误时，定位错误节点
• 路径重规划：在错误节点处分支，重新规划推理路径
• 自我修正：从错误中学习，更新推理策略偏好

架构设计

graph TB
    Input["输入：任务 + 记忆引用包"] --> Parser["推理任务解析器"]
    
    Parser --> MCTS["蒙特卡洛树搜索"]
    
    subgraph MCTS_Tree ["MCTS 推理树"]
        Root["根节点"]
        N1["推理节点 1"]
        N2["推理节点 2"]
        N3["推理节点 3"]
        N11["子节点 1.1"]
        N12["子节点 1.2"]
        Leaf["叶节点（结论）"]
        
        Root --> N1
        Root --> N2
        Root --> N3
        N1 --> N11
        N1 --> N12
        N2 --> Leaf
    end
    
    MCTS --> Selection["选择<br/>UCT 算法"]
    MCTS --> Expansion["扩展<br/>策略网络"]
    MCTS --> Simulation["模拟<br/>奖励预测"]
    MCTS --> Backprop["反向传播<br/>更新访问计数"]
    
    Selection --> Validator["逻辑验证器"]
    Validator --> ErrorTrace["错误追踪器"]
    ErrorTrace --> Corrector["自我修正器"]
    
    Corrector --> Replan["路径重规划"]
    Replan --> MCTS
    
    Validator --> PathSelect["最优路径选择"]
    PathSelect --> Output["输出：验证后的推理路径"]
    
    subgraph Learning ["训练组件"]
        PRM["过程奖励模型<br/>Process Reward Model"]
        RLHF_P["RLHF 训练<br/>(推理偏好)"]
        ErrorDS["错误案例数据集"]
    end
    
    Validator -.-> PRM
    Corrector -.-> ErrorDS
    PathSelect -.-> RLHF_P

训练目标

目标 1：逻辑验证

训练子网能够识别推理链中的逻辑错误，包括事实矛盾、步骤跳跃和循环依赖。

• 验证粒度：逐步骤验证，而非仅验证最终结论
• 错误类型覆盖：≥ 10 种常见逻辑谬误（偷换概念、循环论证、错误归因等）
• 验证速度：每步推理 ≤ 10ms

目标 2：错误追溯与定位

当推理结果错误时，精确定位错误发生的步骤和原因。

• 定位精度：Top-1 错误步骤准确率 ≥ 80%
• 根因分析：错误分类准确率 ≥ 85%
• 回溯效率：N 步推理的回溯复杂度 O(log N)

目标 3：路径重规划与自我修正

在错误步骤处分支，探索替代推理路径，实现自我修正。

• 修正成功率：首次修正成功率 ≥ 70%
• 修正轮次上限：最多 3 轮修正后必须输出结果
• 修正代价：修正后的推理路径长度 ≤ 原始路径 × 1.5

训练计划

阶段 1：过程奖励模型（Process Reward Model, PRM）训练

目标：训练一个能够对推理中间步骤进行质量评分的模型，替代仅评估最终结果的传统方法。

数据构建

1. 自动推理链生成：使用 GPT-4 / Claude 对数学、逻辑、常识类问题生成多步推理链
2. 人工标注：标注员对推理链的每个步骤进行评分（-1: 错误, 0: 中性, 1: 正确）
3. 数据规模：200,000 条推理链，平均链长 8 步，总计 160 万标注步骤
4. 数据覆盖：

类别	占比	示例
数学推理	30%	GSM8K、MATH 题目
逻辑推理	25%	三段论、命题逻辑、谓词逻辑
常识推理	20%	物理常识、社会常识
因果推理	15%	因果推断、反事实推理
代码推理	10%	代码执行跟踪、bug 定位

模型架构

• 基座模型：基于 LLaMA-3.1-8B 或同等规模模型
• 奖励头：在每一层 Transformer 后添加线性层，输出步骤质量评分
• 输入格式：[问题] [步骤1] [步骤2] ... [当前步骤]
• 输出：当前步骤的奖励值（连续值，范围 [-1, 1]）

训练配置

• 损失函数：排序损失（Pairwise Ranking Loss）

  L = max(0, margin - (r_pos - r_neg))
  margin = 0.5
  

• 批大小：64（每条含完整推理链）
• 优化器：AdamW（β1=0.9, β2=0.95）
• 学习率：1e-5，余弦退火
• 权重衰减：0.01
• 训练轮数：5 epochs（防止过拟合）
• 验证集：人工标注数据的 10% 作为验证

PRM 推理流程

def evaluate_step(question, steps_so_far, next_step):
    # 1. 编码上下文
    context = tokenize(question, steps_so_far)
    
    # 2. 逐层提取 hidden states
    hidden_states = model(context)
    
    # 3. 奖励头预测
    reward = reward_head(hidden_states[-1])
    
    # 4. 可选：+ 置信度校准
    confidence = calibrate(reward)
    
    return reward, confidence

阶段 2：蒙特卡洛树搜索（MCTS）推理训练

目标：在推理过程中使用 MCTS 探索多条路径，找到最优解决方案。

MCTS 四步流程

graph LR
    S["1. 选择 (Select)"] --> E["2. 扩展 (Expand)"]
    E --> Sim["3. 模拟 (Simulate)"]
    Sim --> BP["4. 反向传播 (Backprop)"]
    BP --> S

MCTS 组件设计

1. 选择（Selection）

   • 算法：UCT（Upper Confidence Bound Applied to Trees）
   • 公式：UCT = Q(s,a) + c · P(s,a) · sqrt(N_parent / (1 + N_child))
   • 探索系数 c：1.5（可通过贝叶斯优化调参）
   • 剪枝：当节点 UCT 值低于阈值时不再扩展

2. 扩展（Expansion）

   • 策略网络：轻量级 Transformer（6 层），预测下一步推理方向
   • 候选动作数：top-K = 5
   • 动作空间：推理方向编码（演绎、归纳、溯因、类比、分解）

3. 模拟（Simulation）

   • 使用 PRM 对节点评分作为奖励信号
   • 模拟深度：最大 20 步
   • 终止条件：得出确定性结论 或 达到步数上限
   • 快速回滚：当奖励值骤降时提前终止

4. 反向传播（Backpropagation）

   • 更新路径上所有节点的 Q 值和访问计数
   • 折扣因子 γ：0.9（越远的节点贡献越小）
   • 更新公式：Q_new = Q_old + α · (G - Q_old)，其中 α = 1/N

训练配置

• 模拟次数：每轮推理 50 次 MCTS 模拟
• 温度参数：
  • 训练阶段：τ = 1.0（充分探索）
  • 推理阶段：τ → 0（选择最优路径）
• 批处理大小：并行搜索 16 棵推理树
• 策略网络训练：使用 MCTS 访问计数作为软标签
  • 损失函数：KL 散度(策略网络输出 || MCTS 访问分布)
  • 学习率：1e-4

阶段 3：强化学习（RLHF + 过程奖励）训练推理偏好

目标：通过人类反馈强化学习，优化推理路径选择的偏好。

训练流程

1. 策略模型（要训练的推理模型）生成多条推理路径
2. PRM 对每条路径的每一步评分
3. 人类标注员对比不同路径，给出偏好标签
4. 训练奖励模型拟合人类偏好
5. PPO 算法优化策略模型

奖励模型训练

• 输入：完整的推理链（含每一步）
• 输出：标量奖励值
• 模型架构：与 PRM 共享基座，但奖励头为单标量输出
• 损失函数：Bradley-Terry 偏好模型

  L = -E[log(σ(r_better - r_worse))]
  

• 数据：50,000 对人类偏好对比对

PPO 训练配置

• 策略模型：推理路径生成模型（基于 LLaMA 架构）
• 价值模型：与策略模型共享部分参数
• KL 散度惩罚：β = 0.04（防止策略偏离基座过远）
• GAE λ：0.95
• 折扣因子 γ：0.99
• 学习率：1e-6（策略），1e-5（价值）
• PPO clip：ε = 0.2
• 批大小：512
• 训练轮数：3 epochs 每个 PPO 轮次
• 总 PPO 轮次：100

阶段 4：错误案例数据集与针对性训练

目标：构建高质量的错误推理案例数据集，针对性训练错误检测与修正能力。

数据集构建

来源	方法	规模
模型自生成	奖励模型筛选低分路径	500,000
人工构造	标注人员植入特定错误类型	50,000
对抗生成	使用 Red-Teaming 方法生成困难错误	20,000
真实对话	从生产环境收集失败案例	100,000

错误类型覆盖

1. 事实性错误（Factual Error）
2. 逻辑跳跃（Logic Leap）
3. 循环论证（Circular Reasoning）
4. 假两难推理（False Dilemma）
5. 错误归因（False Attribution）
6. 以偏概全（Hasty Generalization）
7. 偷换概念（Equivocation）
8. 诉诸权威（Appeal to Authority）
9. 诉诸情感（Appeal to Emotion）
10. 因果倒置（Reverse Causality）

针对性训练

• 多任务学习：同时优化错误检测 + 错误定位 + 修正生成
• 数据增强：对正确推理链随机注入错误，生成训练样本
• 课程学习：从简单错误（事实错误）到复杂错误（循环论证）渐进训练
• 训练轮数：30 epochs
• 早停：验证集 F1 连续 5 轮不提升则停止

评估指标

推理准确率

指标	定义	目标值
最终答案准确率	推理结论的总体正确率	≥ 85%
步骤准确率	推理链中每步的正确率	≥ 90%
推理路径一致性	相同输入多次推理的结论一致性	≥ 95%
对抗鲁棒性	面对对抗性输入仍保持正确	≥ 75%

自我修正

指标	定义	目标值
错误检测率	错误推理被正确标记的比例	≥ 90%
修正成功率	首次修正即得到正确结果	≥ 70%
修正效率	修正路径 / 原路径长度比	≤ 1.5
过修正率	原本正确被错误修改的比例	≤ 5%
冗余修正率	不必要的额外修正步骤比例	≤ 10%

错误定位

指标	定义	目标值
Top-1 定位准确率	错误步骤的首位命中率	≥ 80%
根因分类准确率	错误类型判别的准确率	≥ 85%
定位粒度	能定位到句子/公式级别	句子级
假阳性率	正确步骤被误判为错误的比率	≤ 3%

系统性能

指标	定义	目标值
推理延迟	从输入到输出的端到端延迟	≤ 500ms
MCTS 扩展数	平均每次推理扩展的节点数	≤ 200
内存占用	推理过程中的峰值内存	≤ 4GB
修正收敛	平均修正轮数	≤ 1.8