A Framework for Analyzing Abnormal Emergence in Service Ecosystems Through LLM-based Agent Intention Mining

📄 arXiv: 2507.15770v1 📥 PDF

作者: Yifan Shen, Zihan Zhao, Xiao Xue, Yuwei Guo, Qun Ma, Deyu Zhou, Ming Zhang

分类: cs.AI

发布日期: 2025-07-21

💡 一句话要点

提出EAMI框架，利用LLM进行服务生态系统中异常涌现的动态可解释分析。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 服务生态系统 异常涌现分析 大型语言模型 主体意图挖掘 思维链推理

📋 核心要点

  1. 现有方法在分析服务生态系统中智能主体交互导致的异常涌现时，缺乏动态性和可解释性，且多为微观静态分析。
  2. EAMI框架利用LLM的思维链推理能力，通过双重视角主体提取意图，并结合聚类和时间涌现图进行动态分析。
  3. 实验表明，EAMI在O2O服务系统和AI Town实验中有效，并通过消融实验验证了其有效性、通用性和效率。

📝 摘要（中文）

随着服务计算、云计算和物联网的兴起，服务生态系统变得日益复杂。智能主体之间错综复杂的交互使得异常涌现分析充满挑战，因为传统的因果方法侧重于个体轨迹。大型语言模型通过思维链（CoT）推理为基于主体的建模（ABM）提供了揭示主体意图的新可能性。然而，现有方法仍然局限于微观和静态分析。本文介绍了一个框架：基于多主体意图的涌现分析（EAMI），它能够进行动态和可解释的涌现分析。EAMI首先采用双重视角的思维轨迹机制，其中检查者主体和分析主体在有限理性和完全理性下提取主体意图。然后，k-means聚类识别群体意图中的相变点，随后使用意图时间涌现图进行动态分析。实验在复杂的线上到线下（O2O）服务系统和斯坦福AI Town实验中验证了EAMI，消融研究证实了其有效性、通用性和效率。该框架为服务生态系统中的异常涌现和因果分析提供了一种新的范例。代码可在https://anonymous.4open.science/r/EAMI-B085获得。

🔬 方法详解

问题定义：论文旨在解决服务生态系统中，由于智能主体复杂交互而产生的异常涌现难以分析的问题。现有方法主要痛点在于：一是缺乏动态视角，无法捕捉意图随时间的变化；二是缺乏可解释性，难以理解主体行为背后的原因；三是多为微观分析，难以从群体层面理解涌现现象。

核心思路：论文的核心思路是利用大型语言模型（LLM）的思维链（CoT）推理能力，模拟智能主体的意图，并基于这些意图进行动态的涌现分析。通过分析主体意图的变化，可以更好地理解系统行为的演化过程，从而实现对异常涌现的早期预警和干预。

技术框架：EAMI框架包含以下主要模块：1) 双重视角意图提取：使用Inspector Agent和Analysis Agent，分别在有限理性和完全理性的假设下，利用LLM的CoT推理提取智能主体的意图。2) 群体意图相变点识别：使用k-means聚类算法对主体意图进行聚类，识别群体意图的相变点，即系统行为发生显著变化的时刻。3) 意图时间涌现图：构建意图时间涌现图，可视化群体意图随时间的变化，从而进行动态的涌现分析。

关键创新：EAMI框架的关键创新在于：1) 双重视角意图提取：通过模拟不同理性程度的主体，更全面地捕捉主体意图。2) 基于意图的涌现分析：将涌现分析从传统的基于行为的分析，提升到基于意图的分析，提高了可解释性。3) 动态涌现分析：通过分析意图随时间的变化，实现了对涌现现象的动态分析。

关键设计：在双重视角意图提取中，Inspector Agent模拟有限理性，Analysis Agent模拟完全理性。具体实现中，可以通过调整LLM的prompt，控制其推理的深度和广度，从而模拟不同程度的理性。k-means聚类的k值需要根据具体场景进行调整，可以使用肘部法则等方法确定最佳k值。意图时间涌现图可以使用不同的可视化方法，例如时间序列图、热力图等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，EAMI框架在O2O服务系统和AI Town实验中均表现良好。消融研究表明，双重视角意图提取和动态涌现分析对EAMI的性能至关重要。具体而言，EAMI能够准确识别系统中的异常事件，并提供可解释的分析结果，为干预措施的制定提供依据。论文还验证了EAMI的通用性和效率，表明其可以应用于不同的服务生态系统。

🎯 应用场景

EAMI框架可应用于各种服务生态系统，例如电商平台、社交网络、智能交通系统等。通过分析主体意图，可以预测系统风险、优化资源配置、提高服务质量。该研究有助于理解复杂系统行为，为智能决策提供支持，并为构建更安全、可靠、高效的服务生态系统奠定基础。

📄 摘要（原文）

With the rise of service computing, cloud computing, and IoT, service ecosystems are becoming increasingly complex. The intricate interactions among intelligent agents make abnormal emergence analysis challenging, as traditional causal methods focus on individual trajectories. Large language models offer new possibilities for Agent-Based Modeling (ABM) through Chain-of-Thought (CoT) reasoning to reveal agent intentions. However, existing approaches remain limited to microscopic and static analysis. This paper introduces a framework: Emergence Analysis based on Multi-Agent Intention (EAMI), which enables dynamic and interpretable emergence analysis. EAMI first employs a dual-perspective thought track mechanism, where an Inspector Agent and an Analysis Agent extract agent intentions under bounded and perfect rationality. Then, k-means clustering identifies phase transition points in group intentions, followed by a Intention Temporal Emergence diagram for dynamic analysis. The experiments validate EAMI in complex online-to-offline (O2O) service system and the Stanford AI Town experiment, with ablation studies confirming its effectiveness, generalizability, and efficiency. This framework provides a novel paradigm for abnormal emergence and causal analysis in service ecosystems. The code is available at https://anonymous.4open.science/r/EAMI-B085.