TL;DR
- چکیده:.
- عاملهای خودکار فراخوانی مبتنی بر مدلهای زبان بزرگ با استفاده از ReAct سه محدودیت را نشان میدهند:.
- تأخیر سریال،.
چه اتفاقی افتاد
چکیده:. عاملهای خودکار فراخوانی مبتنی بر مدلهای زبان بزرگ با استفاده از ReAct سه محدودیت را نشان میدهند:.
تأخیر سریال،. رشد بافت درجه دوم،.
و آسیبپذیری در برابر تزریق سریع و توهم. کار اخیر به سمت تفکیک برنامهریزی از اجرا حرکت میکند،.
اما در هر مورد مدل با مکانیک اجرا همراه میماند. ما یک انتزاع در سطح سیستم را برای عوامل LLM معرفی میکنیم که اجرای جریانهای کاری عامل را.
از لایه استدلال LLM جدا میکند. ما دو انتزاع کلاس اول را تعریف میکنیم:.
(1) اجرای دروازهای با هدف (IGX)،. یک الگوی امنیتی که قصد اجرا را اعمال میکند و (2) یک هسته اجرایی که زمانبندی،.
ارسال ابزار،. وضوح وابستگی،.
خرابیها و امنیت را مدیریت میکند. در KAIJU،.
LLM از قبل برنامهریزی میکند و ابزارهای خوشبینانه را به موازات تزریق پارامتر آگاه از وابستگی برنامهریزی میکند. ابزارها از طریق IGX مجاز هستند بر اساس چهار متغیر مستقل: دامنه، قصد، تأثیر و مجوز (تصویب خارجی).
KAIJU از سه حالت اجرای تطبیقی (Reflect،. nReflect و Orchestrator) پشتیبانی میکند،.
که کنترل اجرای با دانهریزی تدریجی را برای بررسی پیچیده و تجزیه و تحلیل یا تحقیق عمیق فراهم. میکند.
ارزیابی تجربی در برابر خط پایه ReAct نشان میدهد که KAIJU به دلیل سربار برنامهریزی،. همگرایی در پیچیدگی متوسط،.
و مزیت ساختاری در پرسوجوهای محاسباتی که نیاز به جمعآوری دادههای موازی دارند،. یک جریمه تأخیر در جستارهای ساده دارد.
فراتر از تأخیر،. جداسازی ضمانتهای رفتاری را اعمال میکند که ReAct نمیتواند تنها از طریق درخواستها مطابقت داشته باشد.
کد موجود در این URL https مهندسی نرم افزار (cs. SE); زبانهای برنامهنویسی (cs.
PL) استناد بهعنوان: (یا v1 [cs. SE] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Frank Guerin [مشاهده ایمیل] [v1] سهشنبه،.
31 مارس 2026،. ساعت 21:.
38:. 28 UTC (51 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.