本文探讨了基于大型语言模型（LLMs）的多智能体系统（MAS）如何支持精算风险建模，特别关注不确定性量化。精算工作流程代表了高风险决策支持环境，其中不可靠的输出可能导致错误的风险评估、不公平的定价和监管不合规。为了解决LLMs的概率性质和智能体之间依赖关系引入的不确定性，提出了一种多智能体框架，其中专业智能体在中心枢纽下执行数据准备、建模、审核和解释任务。\n\n主要贡献在于提出了一种新的不确定性传播方法，利用令牌级别的对数概率和贝叶斯网络。重要的是，对数概率并不是作为正确性或任务成功的直接概率来处理的。相反，长度归一化的对数概率摘要在纳入贝叶斯网络之前被转化为校准的任务级置信度估计。\n\n结果表明，该框架在再现基线精算性能的同时，提供了对工作流程稳定性和运行时不确定性传播的额外洞察。\n\n博主点评： 本文通过引入贝叶斯网络和对数概率的创新思路，为多智能体系统在高风险决策中的应用提供了新的视角，尤其在不确定性管理方面的贡献值得关注。