DenoiseFlow: Unsicherheitsbewusstes Rauschen-Entfernen für Agenten-Workflows

Autonome Agenten übernehmen zunehmend komplexe, langfristige Aufgaben – von mathematischem Denken bis zur Softwareerstellung. Dabei zerfallen die Zuverlässigkeit und Genauigkeit der Ergebnisse, wenn die Rechenketten länger werden, weil kleine Interpretationsfehler in den Anweisungen sich stillschweigend aufeinander stapeln. Dieses Phänomen, das die Autoren „akkumulierte semantische Mehrdeutigkeit“ nennen, führt zu unerwarteten Fehlern in den Endergebnissen.

Traditionelle Methoden zur Fehlervermeidung sind meist statisch: sie setzen feste Exploration-Budgets, greifen erst bei einem Fehler zurück oder führen nur einen einzigen Pfad aus, ohne die Unsicherheit zu berücksichtigen. DenoiseFlow dagegen modelliert den mehrstufigen Denkprozess als ein Noisy MDP und nutzt einen geschlossenen Regelkreis, der in drei aufeinander abgestimmten Phasen arbeitet:

1. Sensing – Schätzt pro Schritt die semantische Unsicherheit. 2. Regulating – Weist die Rechenressourcen dynamisch zu, indem es zwischen schneller, einpfadiger Ausführung und paralleler Exploration je nach geschätztem Risiko umschaltet. 3. Correcting – Führt gezielte Fehlerbehebung durch, indem es die Ursache mithilfe von Einflussanalysen lokalisiert. Durch kontinuierliche Selbstkalibrierung werden die Entscheidungsgrenzen an Feedback von Verifikatoren angepasst, ohne dass echte Ground-Truth-Daten nötig sind.

In umfangreichen Tests auf sechs Benchmarks – darunter mathematisches Raten, Codegenerierung und mehrstufige Fragen‑Antwort‑Aufgaben – erzielte DenoiseFlow mit durchschnittlich 83,3 % Genauigkeit die höchste Leistung aller verglichenen Methoden. Im Vergleich zum stärksten Baseline stieg die Genauigkeit um 1,3 % und die Kosten konnten dank adaptiver Verzweigung um 40 % bis 56 % reduziert werden.