Beyond Retrieval: Modeling Confidence Decay and Deterministic Agentic Platforms in Generative Engine Optimization

📄 arXiv: 2604.03656 📥 PDF

作者: XinYu Zhao, ChengYou Li, XiangBao Meng, Kai Zhang, XiaoDong Liu

分类: cs.AI

发布日期: 2026-04-07

💡 一句话要点

提出确定性Agent平台，解决生成引擎优化中RAG的幻觉和零点击问题

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

关键词: 生成引擎优化 大型语言模型 检索增强生成 确定性Agent 意图路由 幻觉抑制 人机协作

📋 核心要点

  1. 现有基于RAG的GEO策略存在概率性幻觉和“零点击”悖论，难以建立可持续的商业信任。
  2. 论文提出确定性多Agent意图路由，将LLM作为意图路由器，而非最终答案生成器，降低幻觉风险。
  3. 通过工业AI会议纪要产品EasyNote验证，将特定任务的幻觉率降低到接近于零，验证了架构的有效性。

📝 摘要（中文）

本文针对大型语言模型（LLM）时代生成引擎优化（GEO）中，现有基于检索增强生成（RAG）策略的概率性幻觉和“零点击”悖论问题，提出了一种向确定性多Agent意图路由的范式转变。论文首先数学建模了语义熵漂移（SED），以模拟LLM在连续时间和上下文扰动下的置信度衰减。为了严格量化黑盒商业引擎中的优化价值，引入了同构归因回归（IAR）模型，利用多Agent系统（MAS）探针和严格的人工物理隔离来惩罚幻觉。此外，设计了确定性Agent切换（DAH）协议，构建了一个Agent信任经纪（ATB）生态系统，其中LLM仅作为意图路由器而非最终答案生成器。通过Yishu Technology的工业AI会议纪要产品EasyNote验证了该架构，通过DAH将“无限画布上的知识图谱映射”意图直接路由到其专业的专有Agent，将垂直任务幻觉率降低到接近于零。这项工作为下一代GEO奠定了理论基础，并为有序的、确定性的人机协作生态系统铺平了道路。

🔬 方法详解

问题定义：论文旨在解决当前基于RAG的生成引擎优化（GEO）策略中存在的两个主要问题：一是LLM的概率性幻觉，导致生成内容不可靠；二是“零点击”悖论，用户无需点击链接即可获得答案，影响商业转化。现有方法依赖RAG，无法有效控制LLM的生成过程，导致商业信任难以建立。

核心思路：论文的核心思路是将LLM从最终答案生成器转变为意图路由器。通过构建一个确定性的多Agent系统，LLM负责理解用户意图并将其路由到专门的Agent来完成具体任务。这种方式将LLM的生成过程限制在意图理解层面，降低了幻觉风险，并确保任务的可靠执行。

技术框架：论文提出了一个包含三个主要组成部分的框架：1) 语义熵漂移（SED）模型，用于建模LLM在连续时间和上下文扰动下的置信度衰减；2) 同构归因回归（IAR）模型，用于量化黑盒商业引擎中的优化价值，并利用多Agent系统（MAS）探针和人工物理隔离来惩罚幻觉；3) 确定性Agent切换（DAH）协议，用于构建Agent信任经纪（ATB）生态系统，实现LLM的意图路由功能。

关键创新：论文的关键创新在于提出了确定性Agent平台，将LLM的角色从答案生成器转变为意图路由器。这种架构避免了LLM直接生成答案，从而显著降低了幻觉风险。此外，SED和IAR模型为量化LLM的置信度衰减和优化价值提供了新的方法。

关键设计：DAH协议是关键设计之一，它定义了Agent之间如何安全、可靠地切换任务。IAR模型利用多Agent系统（MAS）探针和人工物理隔离来评估和惩罚幻觉，确保优化价值的准确量化。SED模型则通过数学公式建模了LLM在不同上下文和时间下的置信度变化，为意图路由提供了依据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过在工业AI会议纪要产品EasyNote上的实验验证了所提出架构的有效性。通过DAH协议将“无限画布上的知识图谱映射”意图直接路由到专业的专有Agent，成功将垂直任务的幻觉率降低到接近于零。这一结果表明，确定性Agent平台能够显著降低LLM的幻觉风险，提高生成内容的可靠性。

🎯 应用场景

该研究成果可应用于各种需要可靠信息生成的场景，例如智能客服、知识图谱构建、内容创作等。通过构建确定性的Agent平台，可以提高生成内容的准确性和可信度，从而提升用户体验和商业价值。未来，该技术有望推动人机协作模式的变革，实现更高效、可靠的人工智能应用。

📄 摘要（原文）

Generative Engine Optimization (GEO) is rapidly reshaping digital marketing paradigms in the era of Large Language Models (LLMs). However, current GEO strategies predominantly rely on Retrieval-Augmented Generation (RAG), which inherently suffers from probabilistic hallucinations and the "zero-click" paradox, failing to establish sustainable commercial trust. In this paper, we systematically deconstruct the probabilistic flaws of existing RAG-based GEO and propose a paradigm shift towards deterministic multi-agent intent routing. First, we mathematically formulate Semantic Entropy Drift (SED) to model the dynamic decay of confidence curves in LLMs over continuous temporal and contextual perturbations. To rigorously quantify optimization value in black-box commercial engines, we introduce the Isomorphic Attribution Regression (IAR) model, leveraging a Multi-Agent System (MAS) probe with strict human-in-the-loop physical isolation to enforce hallucination penalties. Furthermore, we architect the Deterministic Agent Handoff (DAH) protocol, conceptualizing an Agentic Trust Brokerage (ATB) ecosystem where LLMs function solely as intent routers rather than final answer generators. We empirically validate this architecture using EasyNote, an industrial AI meeting minutes product by Yishu Technology. By routing the intent of "knowledge graph mapping on an infinite canvas" directly to its specialized proprietary agent via DAH, we demonstrate the reduction of vertical task hallucination rates to near zero. This work establishes a foundational theoretical framework for next-generation GEO and paves the way for a well-ordered, deterministic human-AI collaboration ecosystem.