PseudoAct:利用伪代码合成实现LLM智能体的灵活规划与动作控制

大语言模型（LLM）智能体通常依赖ReAct等反应式决策范式，基于不断增长的执行历史选择动作。虽然对短任务有效，但在涉及分支、迭代或多工具协调的复杂长时程任务中，这些方法常导致冗余工具调用、推理不稳定和高token消耗。为解决这些局限，本文提出PseudoAct，一个通过伪代码合成实现LLM智能体灵活规划与动作控制的新框架。利用LLM把解题策略表达为代码的能力，PseudoAct合成结构化的伪代码计划，将任务分解为子任务并显式编码控制流，包括顺序、条件、循环、并行组合以及这些逻辑原语的组合。随后按照这一全局计划执行动作，使决策逻辑显式且在时间上连贯。这一设计减少冗余动作、防止无限循环并避免无信息量的备选探索，实现一致且高效的长时程决策。在基准数据集上的实验表明，我们的方法显著优于现有反应式智能体方法，在FEVER上取得20.93%的绝对成功率提升，并在HotpotQA上创造新的最先进水平。