분해된 사고와 행동을 위한 신뢰할 수 있는 인공지능-agent

ReAct 기반 agent는 일반적으로 단일 대규모 언어 모델(LLM) 정책을 사용하여 행동을 제안하고 환경과 상호작용하며 작업이 완료되었는지 결정합니다. 이러한 결합은 독립적으로 행동 인증 및 완료 제어를 강제하기 어렵게 만들고, 오류가 전파되고 지원되지 않는 완료 주장을 실행 중지로 이어질 수 있습니다. 우리는 DeReAct라는 모듈형 agent 아키텍처를 소개합니다. DeReAct는 두 개의 게이트 정책을 외부화합니다: 행동을 실행하기 전에 유효성을 검사하는 Critic 및 환경이 지원하는 State를 재구성하고 작업 완료를 인증하는 Context Manager. GAIA 및 SWE-bench Verified에서 DeReAct는 약한 Brain 모델에 대해 Pass@1에서 가장 많이 향상되며, Qwen3-Coder-480B의 경우 6.5--7.0 점의 이익이 있고 Claude Sonnet~4.5의 경우 4.2--5.2 점의 이익이 있습니다. Brain 능력이 증가함에 따라 이익은 감소합니다. 트레젝토리 및 절단 분석은 외부 게이트가 충분히 빈번한 대상 실패가 있는 경우 효과적이고 게이트 정책이 충분할 때 게이트 정책이 효과적임을 보여줍니다. Claude Opus~4.5의 경우 Pass@1은 ReAct와 비교할 때 비슷하지만 DeReAct는 더 많은 증거를 포함하고 제약을 충족하는 트레젝토리를 생성합니다. 이는 완료 제어가 더 강한 기반을 갖기 위해 더 일찍 종료하는 데 거래할 수 있음을 나타냅니다. 총괄적으로 DeReAct는 약한 agent를 개선하면서 모델이 강화됨에 따라 지반 이점을 유지합니다.