多範式LLM代理人架構解析：Generator‑Evaluator、ReAct與記憶擴充實作

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。