自修智能体实际需要多少LLM？

最近基于 LLM 的智能体经常将世界建模、规划和反思置于单一语言模型循环中。这可以产生有能力的行为，但它使得一个基本的科学问题难以回答：代理人能力的哪一部分实际上来自于大语言模型，哪一部分来自于其周围的显式结构？我们研究这个问题不是通过要求一个普遍的答案，而是通过使其在经验上易于处理。我们引入了一个声明的反射运行时协议，它将代理状态、置信信号、受保护的操作和假设的转换外部化为可检查的运行时结构。我们在声明性运行时实例化该协议，并在 54 场游戏（18 个棋盘 $\times$ 3 个种子）中使用四个渐进结构化代理在嘈杂的协作战舰 [4] 上对其进行评估。由此产生的分解分离出四个组成部分：后验信念跟踪、显式世界模型规划、象征性的情节内反射和基于稀疏 LLM 的修订。通过这种分解，显式的世界模型规划比贪婪的后验基线（+24.1pp 获胜率，+0.017 F1）有了显着的提高。符号反射作为一种真正的运行时机制运行——具有预测跟踪、置信门控和受保护的修订操作——尽管其当前的修订预设总体上尚未达到净正值。在大约 4.3% 的回合中添加有条件的 LLM 修订只会产生很小的非单调变化：平均 F1 略有上升（+0.005），而胜率下降（54 中的 31$\rightarrow$29）。这些结果表明了方法论的贡献，而不是排行榜的主张：外部化反射将其他潜在的代理行为转变为可检查的运行时结构，从而允许直接研究大语言模型干预的边际作用。