一种面向自主智能体的大语言模型元认知修正自更新奖励方法

本发明涉及一种面向自主智能体的大语言模型元认知修正自更新奖励方法，AURA(Auto‑Updating Reward Architecture)首先通过利用大型语言模型(Large Language Models，LLM)根据高层任务描述自动生成初始奖励函数，再由双循环架构实现计算上的元认知：一个快速的内循环通过分层注意力奖励合成器进行策略与奖励的协同演化；而一个较慢的外循环则作为元认知层，持续监控一个由策略动态、价值‑真实性对齐和奖励架构适应性构成的多维诊断向量，以识别学习过程中的异常。这种闭环反馈机制赋予了自主智能体对其自身奖励函数进行内省和自我修正的能力，构成了从静态目标规约到动态目标矫正的范式转变。增强了智能体在面对稀疏奖励、规约漏洞和环境不确定性时的鲁棒性、样本效率与最终性能。