RLM 框架：定义子智能体深度与工具调用层级
Dex Horthy提出RLM（递归语言模型）框架，用最大/最小子智能体深度两个维度定义子智能体的调用层级与工具调用边界。
AI 深度解读
独立开发者 Dex Horthy 提出了一个简洁的框架来描述"递归语言模型"(RLM,即智能体调用子智能体的层级结构),用两个参数就把复杂的多智能体调用关系量化了下来,为智能体架构设计提供了一把标尺。
- 框架被形式化为 f(max_subagent_depth, min_subagent_depth),用两个整数刻画调用层级
- max_subagent_depth 定义了子智能体可以嵌套多少层,即整个调用链能"递归"多深
- min_subagent_depth 则规定了在哪一层开始允许调用非智能体的普通工具(如搜索、执行代码),避免每一层都强行经过一次完整智能体决策
- 这种拆分让开发者能明确权衡:更深的子智能体嵌套换来更强的任务分解能力,但也带来更高的延迟和成本
- 这套坐标系的价值在于把此前各家"多智能体系统"里模糊的调用深度设计,变成了可以显式配置、比较和调优的两个数字,方便工程落地。
本内容由 AI 生成，仅供参考，请注意甄别