AutoGuide：面向大型语言模型智能体的状态感知指南自动生成与选择

基于摘要分析。AutoGuide 针对预训练大型语言模型（LLMs）在特定领域知识不足、影响智能体序贯决策的问题，提出从离线经验中提取状态感知指南的框架，以补充当前决策所需的知识。 核心机制是将离线数据中的隐含知识表达为简洁的自然语言指南，每条指南采用条件结构，明确其适用状态，使智能体能够获得与当前状态相关的知识。原标题包含指南的自动生成与选择，但摘要未说明状态如何表示、指南如何生成与筛选，以及推理时如何匹配当前状态；也未明确是否涉及模型参数训练、具体损失或外部检索模块。 作者报告，在序贯决策基准上，AutoGuide 大幅优于具有竞争力的 LLM-based baselines。摘要未提供基准名称、离线经验来源与规模、数据划分、评价指标、基线配置或具体数值，因此无法量化其优势或判断跨任务泛化程度。实验协议、消融及统计信息尚未验证。 该工作的主要研究对象是 LLM 智能体的知识补充与序贯决策，而非 EEG 信号建模或 BCI 解码。指南机制依赖可描述的状态与可提取决策知识的离线经验；现有材料不足以建立其与低信噪比、跨被试或跨会话 EEG 瓶颈的具体对应关系，因此不据此提出 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。复现前需核对离线经验构建、指南生成与选择流程，以及原基准的评估设置；代码与运行条件尚未验证。