AgentSpec：通过受控组合了解具体代理支架

LLM 代理越来越多地不再构建为单一模型调用，而是构建为结合推理、记忆、反射、动作执行和学习的支架系统。虽然此类支架通常可以提高性能，但它们通常嵌入在紧密耦合的管道中，因此很难隔离组件贡献、比较替代设计或了解模块交互如何塑造代理行为。我们引入了 AgentSpec，这是一个模块化规范框架，它将具体代理表示为具有标准化接口的可重用策略组件的类型组合。 AgentSpec 标准化了感知、记忆、推理、反射、动作和可选学习之间的接口，使组件能够在受控条件下交换和重新组合。我们跨 DeliveryBench、ALFRED、MiniGrid 和 RoboTHOR 实例化该框架，并跨模型主干分析推理、记忆、反射和强化学习模块。我们的结果表明，代理性能由支架兼容性和相互作用效应决定，而不是由孤立模块的强度决定。特别是，结构化多粒度内存改善了长视野状态跟踪，推理和内存在环境中交互不均匀，反射权衡了校正和成本，并且经过 RL 训练的策略在使用部署时脚手架结构进行优化时效果最佳。 AgentSpec 为研究、比较和设计可组合的 LLM 代理提供了受控基础。我们的代码、基线和交互式游乐场可在 https://agentspec-embodied.github.io 上公开获取。