AI智慧體設計模式的二維框架：認知功能與執行拓撲
本文提出了一種結合認知功能（七類）和執行拓撲（六種結構原型）的二維分類法，用於系統描述LLM-based智慧體架構。該7x6矩陣識別了27種命名模式，其中13種為原創命名，並在四個真實領域（金融貸款、法律盡職調查、網路運維、醫療分診）驗證了覆蓋度。跨領域分析得出了五個模式選擇的經驗定律。
arXiv上最新發表的一篇論文提出了一種全新的二維框架，用於對基於大型語言模型（LLM）的AI智慧體架構進行系統性分類與設計。該研究由Jia Huang和Joey Tianyi Zhou完成，於2026年3月16日提交至arXiv，旨在解決現有分類方法視角單一的問題。
當前，業界指南（如Anthropic、Google、LangChain提供的指南）主要關注執行拓撲——即資料如何流動；而認知科學調查則聚焦於智慧體的認知功能——即智慧體做什麼。但這兩個維度單獨使用時，無法區分架構上截然不同的系統。例如，同樣的Orchestrator-Workers拓撲可以支援Plan-and-Execute、Hierarchical Delegation或Adversarial Verification三種模式，但它們具有完全不同的故障模式和設計權衡。
為此，作者提出了一種二維分類方法，將兩大維度相結合。第一個維度是認知功能軸，包含七大類：上下文工程（Context Engineering）、記憶（Memory）、推理（Reasoning）、行動（Action）、反思（Reflection）、協作（Collaboration）和治理（Governance）。第二個維度是執行拓撲軸，包含六種結構原型：鏈（Chain）、路由（Route）、並行（Parallel）、編排（Orchestrate）、迴圈（Loop）和層次（Hierarchy）。由此形成的7×6矩陣共識別出27種命名模式，其中13種為原創命名。
研究團隊透過系統的跨軸分析證明了這兩個維度的正交性，即認知功能與執行拓撲在描述架構時相互獨立且互為補充。他們詳細定義了八種代表性模式，包括但不限於Plan-and-Execute、Hierarchical Delegation和Adversarial Verification，每種模式都對應特定的功能-拓撲組合，並具有獨特的失敗模式和設計權衡。
為了驗證框架的實用性，研究者在四個真實世界領域進行了測試：金融貸款審批、法律盡職調查、網路運維以及醫療分診。結果顯示，該框架能夠全面描述這些領域中的智慧體架構，覆蓋了所有實際使用的模式。
跨領域分析還提煉出五條關於模式選擇的經驗定律。這些定律揭示了環境約束與架構選擇之間的內在關係：時間壓力（time pressure）迫使選擇更簡單的拓撲；行動許可權（action authority）影響治理功能的需求；失敗成本不對稱（failure cost asymmetry）決定了是否引入反思或協作；任務規模（volume）則驅動從鏈式向並行或編排拓撲的轉變。
該框架為AI智慧體架構設計提供了一套原則性的、框架中立且模型無關的詞彙表。研究人員和從業者可以藉助這一分類體系，更清晰地描述現有系統、比較不同設計選項，並根據具體場景選擇最合適的智慧體模式。論文全文可在arXiv上獲取，引用編號為2605.13850。