基于基础模型的智能体架构选项分析:分类体系与决策模型

《Journal of Systems and Software》:Analysis of architecture options for foundation-model-based agents: A taxonomy and decision model

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Systems and Software 3.8

编辑推荐:

   **摘要** 基础模型的快速进步催生了新一代基于人工智能的智能体。尽管已有成熟的框架,但系统级的架构决策往往仍是临时的,因为架构师缺乏一套系统化、基于证据的框架来应对复杂的架构选项及其带来的权衡挑战。为了弥合这一关键缺口,我们进行了一项包含 66 项主要研究的系统文献综述(

  

**摘要**

基础模型的快速进步催生了新一代基于人工智能的智能体。尽管已有成熟的框架,但系统级的架构决策往往仍是临时的,因为架构师缺乏一套系统化、基于证据的框架来应对复杂的架构选项及其带来的权衡挑战。为了弥合这一关键缺口,我们进行了一项包含 66 项主要研究的系统文献综述(SLR),开发了两个关键成果:(1)一个全面的分类体系,系统地分类了基于基础模型的智能体在功能能力和非功能质量方面的架构设计选项;(2)一个配套的决策模型,以矩阵形式呈现,将这些选项映射到其对系统质量的影响上,从而使关键的设计权衡显性化。该分类体系和决策模型随后通过多方位流程进行了验证,包括对来自学术界和工业界的 12 位专家进行的正式调查。这项工作为架构师提供了共同词汇和结构化指南,用于设计和推理智能体系统,从而为应对当前领域的碎片化问题提供了严谨的基础。

**引言**

基础模型(FMs)的出现——即在大量数据上预训练的大规模模型——代表了人工智能的根本范式转变(Lu 等人,2024)。它们适应各种下游任务的能力促成了一类新的复杂应用,其中最突出的是基于基础模型的智能体(FM-based agents)。这些是自主系统,利用基础模型作为其核心认知引擎,感知、推理、规划并行动以实现复杂目标,有望从医疗保健到智能制造等多个行业带来革命性变化(Lu 等人,2024, Budler 等人,2023, Masterman 等人,2024)。这些智能体的迅速普及,例如用于自主任务管理的 Auto-GPT1 和 BabyAGI2、用于具身学习的 Voyager(G. Wang 等人,2023)、通过自然语言界面与计算机系统交互的基于 UI 的计算智能体如 OpenAI Operator3、Claude Opus 54、首款 AI 软件工程师 Devin5,以及像 Open Interpreter6 这样的开源本地执行工具,标志着向更具能力和独立性的 AI 系统迈进。

然而,这种日益增长的能力带来了巨大的架构挑战。当今的智能体采用了尖端技术和“新的运行范式”,拉伸了传统软件设计的边界(Lu 等人,2024)。例如,AutoGen(Q. Wu 等人,2023)等多智能体框架引入了协调会话工作流程的复杂架构挑战,确保智能体之间的有效通信协议,并在多个智能体协作完成任务时保持一致的状态。与此同时,像 Voyager 这样的智能体拥有长期记忆和反思等新颖能力,创造了与效率和可观察性相关的新设计问题(G. Wang 等人,2023)。虽然 LangChain 和 Microsoft Semantic Kernel 等结构化框架提供了强大的运行基础,但更高层次的架构决策过程仍然是碎片化的。因此,系统级设计选择往往是临时的,使架构师缺乏共同词汇和系统框架来推理其选择的权衡。

为了充分理解这些挑战,必须澄清在此上下文中的“架构和框架”构成什么。智能体的架构指的是构成系统的基本组件(例如,规划、记忆、动作模块)及其关系。已经涌现出用于构建这些系统的框架,例如前述的 AutoGen(Q. Wu 等人,2023)、LangChain7、以数据为中心的解决方案如 LlamaIndex8、编排框架如 CrewAI9、自主系统如 SuperAGI10,以及平台集成解决方案如 Microsoft Copilot Framework11,它们提供了可复用的组件和抽象,向开发者暴露了这个庞大而复杂的设计空间。

这些强大框架的激增及其所实现的新颖架构模式导致了一个碎片化的临时设计格局。架构师缺乏共同词汇和系统方法来推理其选择的权衡。这种共享架构知识的缺失直接阻碍了“为改善功能而优化架构”的过程,该过程指做出有意识的设计选择,以更好地实现所需的系统行为(如自主学习)和质量属性(如可靠性)。如果不清楚不同架构选项的权衡,就很难分析和确保这些关键的系统级质量。因此,需要一个全面的分类体系,为设计和分析这些复杂系统提供结构化、基于证据的基础。

为了弥合这一架构缺口,我们引入了一个全面的、基于证据的基于基础模型的智能体的 74 个架构设计选项分类体系,该体系源自对 66 项主要研究的系统文献综述(SLR)。在本文中,我们将架构选项定义为为应对特定架构关注点而采用的具体、基本设计方法或模式(例如,选择“集中式”与“全分布式”协调机制)。它比一般的“设计决策”(Jansen 和 Bosch, 2005)更细粒度和具体,因为它指的是在我们分类体系中预定义的架构备选方案中选择。配合这一分类体系,我们引入了一个决策模型来分析这些选项之间的权衡,提供更深层次的见解,并指导下一代基于基础模型的智能体的设计。本文的主要贡献如下:
• 全面的架构选项分类体系:我们呈现了一个详细的、基于证据的基于基础模型的智能体分类体系,该体系源自系统文献综述,并通过专家验证进行了完善。该分类体系系统地分类了功能能力和非功能质量方面的架构选项。
• 架构决策模型:我们引入了一个实用的决策模型,以决策矩阵的形式呈现,分析架构选择及其对关键系统质量影响的权衡,以指导架构师的设计过程。
• 分类体系的验证及其影响的讨论:分类体系和决策模型经历了多方位的验证过程,包括对来自学术界和工业界的 12 位专家进行的正式调查。此外,我们阐明了分类体系和决策模型对包括研究人员、架构师和工具构建者在内的关键利益相关者的具体影响,明确了其对学术研究 和工业实践的价值。

具体而言,第 2 节回顾了相关工作。第 3 节详述了我们的系统方法。完整的分类体系在第 4 节中呈现,随后第 5 节介绍决策模型。我们在第 6 节中描述对这些成果的验证。我们在第 7 节中讨论有效性威胁,并在第 8 节中介绍对关键利益相关者的影响。最后,第 9 节总结全文,概述我们的关键发现并展望未来研究方向。

**章节片段**

**基于基础模型的智能体框架**
基于基础模型的智能体领域特征在于,为其提供支持的基础模型以及旨在编排其行为框架都在快速进步。主要科技公司开发了功能日益强大的大语言模型(LLMs),作为现代智能体的核心认知引擎。例如,谷歌的 Gemini 3.6 Flash 针对推理、编码和智能体任务进行了优化,并已集成到其产品全流程中(Google DeepMind, 2026)。

**方法论:分类体系开发的系统过程**
为了构建一个严谨且基于证据的基于基础模型的智能体架构分类体系,我们采用了 Usman 等人(2017)提出的系统分类体系开发方法。这一既定的过程提供了一个透明且可复现的框架,确保我们的分类体系立足于对现有文献的全面分析。该方法论由四个主要阶段组成——规划、识别与提取、设计与构建和验证,这些阶段详见...

**分类体系报告与验证**
在本节中,我们呈现了一个定义基于基础模型的智能体架构设计选项的分类体系。该分类体系分为两类:功能能力(第 4.1–4.11 节)和非功能质量(第 4.12 节)。图 2 说明了该分类体系的高级结构,而功能能力的详细细分见图 3 和图 4,非功能质量见图 5。我们讨论了每个设计...

**架构权衡的决策模型**
第 4 节中提出的分类体系提供了架构选项的结构化分类,回答了 RQ1 和 RQ2。然而,它本身并不能指导架构师在特定情境下选择哪个选项以满足特定的质量要求。为了弥合分类体系与实际设计之间的这一差距,我们引入了一个决策模型。该模型旨在为架构师配备一种系统化工具,用于推理设计基于基础模型的智能体时所固有的权衡。

**验证**
采用了一种多方位的方法来验证所提出的分类体系和决策模型的稳健性、完整性和实际适用性。验证主要依赖于对专家小组进行的正式调查,而其结构完整性则由其构建过程中使用的严谨、基于证据的方法论提供支持。

**有效性威胁**
我们使用软件工程研究中公认的四类框架(Lago 等人,2024)讨论了我们研究潜在的有效性威胁。我们详细说明了每种潜在威胁及我们所采用的缓解策略。

**讨论**
在本节中,我们讨论了我们的分类体系和决策模型对三个关键利益相关者群体的潜在影响:学术研究人员、软件开发人员和架构师,以及基础模型(FM)供应商和工具构建者。通过这些视角,我们明确地重新审视并综合了关于 RQ1(架构元素)、RQ2(权衡)和 RQ3(设计指南)的发现。

**结论**
基于基础模型的智能体在各个领域获得了越来越多的关注。我们的研究表明,这些智能体的开发正从临时实验转向结构化的架构学科。通过将该空间形式化,我们的分类体系和决策模型将基本软件工程原则——特别是“关注点分离”——扩展到了 AI 原生系统的随机性质。该分类体系提供了共同词汇,不仅解决了标准化问题...

**关于稿件制备过程中使用生成式人工智能和 AI 辅助技术的声明**
在准备本工作期间,作者使用了 GPT-4o 以协助 SLR 过程。在使用该工具/服务后,作者根据需要审查和编辑了内容,并对发表文章的内容承担全部责任。

**CRediT 作者贡献声明**
Jingwen Zhou:写作 – 原稿,方法论,数据整理,调查,资源,写作 – 审阅与编辑。
Qinghua Lu:写作 – 审阅与编辑。
Jieshan Chen:写作 – 审阅与编辑。
Liming Zhu:写作 – 审阅与编辑。
Xiwei Xu:写作 – 审阅与编辑。
Zhenchang Xing:写作 – 审阅与编辑。
Stefan Harrer:写作 – 审阅与编辑。

**利益冲突声明**
所描述的工作以前未发表过,除非是以预印本、学术论文或类似非期刊形式的形式。
该手稿未在其他地方接受出版考虑。
所有作者均已批准该手稿并同意将其提交给《系统与软件杂志》。
如果被接受,未经版权所有者的书面同意,该文章不会以相同的形式,以英语或任何其他语言(包括电子形式)在其他地方发表。

**致谢**
所有作者均批准了待发表的手稿版本。

Jingwen Zhou | Qinghua Lu | Jieshan Chen | Liming Zhu | Xiwei Xu | Zhenchang Xing | Stefan Harrer
CSIRO Data61,澳大利亚
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号