PseudoAct：偽代碼提升LLM代理智慧

💡偽代碼規劃讓 LLM 代理基準勝出 20%+ – 代理開發者必讀。（38字）

⚡ 30-Second TL;DR

有什麼變化

合成偽代碼計劃，將任務分解為子任務並明確控制流程

為什麼重要

PseudoAct 讓 LLM 代理更可靠處理複雜多工具任務，可能降低生產部署成本。它從反應式轉向主動規劃，有益代理式 AI 應用。

下一步行動

閱讀 arXiv:2602.23668，並將偽代碼合成整合至您的 ReAct 基礎 LLM 代理。

誰應關注：Researchers & Academics

背景與延伸：來自公開資料，非原文內容。引用 7 個來源。

•PseudoAct 分為偽代碼計劃合成階段和邏輯引導執行階段，由規劃策略 π_plan 將查詢 Q 映射至結構化藍圖 P，編碼全局控制流與終止條件。[1]
•執行階段使用確定性控制流執行器，逐步遍歷計劃，結合全局約束與本地上下文，委託原子任務給 ReAct 風格代理但強制結構約束，避免遊走與無限迴圈。[3]
•在 FEVER 資料集上達到 88.24% 準確率與 83.35% F1 分數，相較 DFSDT 基線提升 20.93% 準確率與 19.19% F1。[1]
•相較反應式代理的 O(nL) 上下文複雜度，PseudoAct 為 O(L_plan + n(L_step + L_global))，令牌效率顯著提升。[3]

📊 競品分析▸ Show

特徵	PseudoAct	ReAct	DFSDT	Pre-Act	Plan-and-Execute
規劃方式	偽代碼合成全局計劃	逐步反應式推理	逐步反應式	預先多步計劃	預先規劃後執行
基準表現 (FEVER)	88.24% 準確率 (+20.93%)	較低	67.31% 準確率	未指定	未指定
基準表現 (HotpotQA)	SOTA	未達 SOTA	未達 SOTA	未指定	92% 任務完成率
令牌效率	O(L_plan + n*(L_step + L_global))	O(n*L) 高消耗	高消耗	未指定	較高消耗
價格	開源框架 (無特定定價)	開源	開源	企業微調	開源

•框架分解為兩階段：Pseudocode Plan Synthesis 使用 LLM 產生包含排序、條件、迴圈、並行的偽代碼計劃 P，指定整個控制結構。[1]
•Guided Execution 由確定性 Control-Flow Executor 執行計劃，每步合成複合上下文 (全局記憶狀態、步驟目標、解析輸入)，防止無限迴圈透過結構化終止條件。[3]
•決策過程明確分離：規劃階段處理全局推理、抽象與錯誤預測；執行階段處理精確動作與環境互動，利用現代 LLM 程式碼合成能力產生可驗證結構。[1]

PseudoAct 將成為長時程 LLM 代理標準框架

其偽代碼規劃顯著優於 ReAct 和 DFSDT，在 FEVER 提升 20.93% 並於 HotpotQA 達 SOTA，解決反應式設計常見失敗模式。[1][3]

提升令牌效率將加速企業代理部署

O(L_plan + n*(L_step + L_global)) 複雜度降低上下文累積，優於 O(n*L)，減少成本並改善穩定性。[3]

2026-02

PseudoAct 論文發布於 arXiv，介紹偽代碼框架並報告 FEVER 20.93% 提升與 HotpotQA SOTA

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #pseudocode-synthesis

同產品

更多關於 pseudoact

同來源

最新來自 ArXiv AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。