多範式LLM代理人架構解析：Generator‑Evaluator、ReAct與記憶擴充實作
研究背景：大規模語言模型代理人快速演進但缺少整合多種互動範式的統一架構。本文比較Generator‑Evaluator、ReAct與記憶擴充互動，並在開源框架中實作五階段處理流程及六維評估。結果指出預審能揭露需求缺漏，ReAct穩定但增加工具重複呼叫，對抗式討論多用於內容精修。
速報
研究揭露：多範式LLM代理人可整合於單一架構，但各範式優劣互補。
研究方法與實作
論文在開源框架 buddyMe 中實作並比較三大互動範式：Generator‑Evaluator（多代理協作）、ReAct 工具迴圈與記憶擴充互動。作者形式化一個五階段處理流程：需求預審 → 任務分解 → ReAct 執行 → 真實執行驗證 → 對抗式評估討論，並以六維加權評估表衡量系統表現。
主要發現
四個來自實務部署的個案顯示：Generator‑Evaluator 預審能發現部分需求遺漏；ReAct 迴圈能穩定完成子任務，卻伴隨約三成的工具重複呼叫；對抗式評估在大多數情境中於數回合內達成共識，主要用於內容精修而非顛覆性邏輯改變。
實務意涵
研究提供跨範式比較與設計建議，強調在多模型代理系統中應混用預審、迴圈執行與對抗式細修，以求穩定性與可解釋性。
延伸閱讀
- PCAS：以依賴圖與 Datalog 宣告式政策實現確定性授權編譯器
- DIBA：以行為位移揭露 RLVR 下的成員推斷風險
- LaTeXpOsEd：以 LaTeX 源檔、模式比對與大型語言模型評估預印本的資安風險
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
