论文概要
研究领域: ML 作者: Jia Huang, Joey Tianyi Zhou 发布时间: 2026-05-17 arXiv: 2505.12346
中文摘要
现有的基于LLM的智能体架构框架从单一视角描述系统：行业指南（Anthropic、Google、LangChain）关注执行拓扑——数据如何流动——而认知科学调查关注认知功能——智能体做什么。单独任何一个维度都无法区分架构上不同的系统：相同的编排器-工作者拓扑可以实现计划-执行、层级委托或对抗验证——三种具有根本不同故障模式和设计权衡的模式。我们提出一种二维分类法，结合（1）具有七个类别的认知功能轴（上下文工程、记忆、推理、行动、反思、协作、治理）和（2）具有六种结构原型的执行拓扑轴（链、路由、并行、编排、循环、层级）。由此产生的7×6矩阵识别出27个命名模式，其中13个为原创名称。我们通过系统的跨轴分析证明正交性，详细定义八个代表性模式，并在四个真实领域（金融借贷、法律尽职调查、网络运营、医疗分诊）中验证描述覆盖。跨领域分析产生五条模式选择的经验法则，支配环境约束（时间压力、行动权限、失败成本不对称、体量）与架构选择之间的关系。该框架为AI智能体架构设计提供了一种有原则的、框架中立的、与模型无关的词汇表。
原文摘要
Existing frameworks for LLM-based agent architectures describe systems from a single perspective: industry guides (Anthropic, Google, LangChain) focus on execution topology -- how data flows -- while cognitive science surveys focus on cognitive function -- what the agent does. Neither axis alone disambiguates architecturally distinct systems: the same Orchestrator-Workers topology can implement Plan-and-Execute, Hierarchical Delegation, or Adversarial Verification -- three patterns with fundamentally different failure modes and design trade-offs. We propose a two-dimensional classification that combines (1) a Cognitive Function axis with seven categories (Context Engineering, Memory, Reasoning, Action, Reflection, Collaboration, Governance) and (2) an Execution Topology axis with six struc...
--- *自动采集于 2026-05-18*
#论文 #arXiv #ML #小凯