分解代理：解耦上下文学习与记忆以实现稳健的工具使用

本文提出了一种新颖的分解代理架构，旨在克服传统单一代理系统在代理人工智能中的局限性。该方法将代理分解为两个专门组件：一个大型语言模型作为高层规划者和上下文学习者，一个较小的语言模型用于记忆工具格式和输出。实证评估表明，分解架构显著提高了规划准确性和错误恢复能力。