奖励驱动的LLM智能体工作流：融合POMDP路由与自我纠错的自主决策

论文提出奖励驱动的LLM智能体工作流，将部分可观测马尔可夫决策过程（POMDP）路由、内部奖励模型、自我批评、多模态输入与图结构记忆结合，用于长程规划和动态交互。作者报告其在ALFWorld与WebShop上较标准ReAct基线取得24.5个百分点的任务成功率及轨迹效率提升，并称消融实验显示奖励驱动批评模块可降低幻觉，但摘要未给出完整实验配置。