在不确定性环境下执行序列决策任务的自主智能体，若能获得外部动作建议，将显著受益于这些建议所提供的宝贵指导。然而，这些建议的可靠性本身存在差异，具有不确定性。现有方法在融合此类建议时，通常假设建议者的质量参数是静态且已知的，这限制了其在实际场景中的部署能力。本文提出一种新框架，能够动态学习并适应部分可观测环境中建议者可靠性变化的情况。首先，我们将建议者质量直接融入智能体的信念表示中，使智能体能够通过针对建议者类型的贝叶斯推断，自主推断并调整对建议的依赖程度。其次，我们引入一种显式的“请求”（ask）动作，使智能体能够在关键时刻战略性地请求建议，从而在信息收益与获取成本之间实现权衡。实验结果表明，该方法在不同建议者质量条件下均表现出稳健性能，能够适应可靠性变化，并实现对建议请求的智能管理。本研究为应对不确定环境中的建议不确定性问题，奠定了自适应人机协作的理论基础。