PseudoAct: Pseudocode‑Synthese ermöglicht flexible Planung in LLM‑Agenten

In der Welt der großen Sprachmodelle (LLM) setzen Agenten bislang vorwiegend reaktive Entscheidungsparadigmen wie ReAct ein. Diese wählen Aktionen basierend auf dem wachsenden Ausführungsverlauf, was bei kurzen Aufgaben gut funktioniert, aber bei komplexen, langfristigen Szenarien zu redundanter Tool‑Nutzung, instabiler Logik und hohem Token‑Verbrauch führt.

Der neue Ansatz PseudoAct nutzt die Fähigkeit von LLMs, Problemlösungsstrategien als Code auszudrücken, und synthetisiert daraus einen strukturierten Pseudocode‑Plan. Dieser zerlegt die Aufgabe in Teilaufgaben und codiert explizit Kontrollflüsse – Sequenzen, Bedingungen, Schleifen, parallele Ausführungen und deren Kombinationen. Aktionen werden anschließend gemäß diesem globalen Plan ausgeführt, wodurch die Entscheidungslogik klar und zeitlich kohärent wird.

Durch die explizite Planung werden redundante Aktionen reduziert, unendliche Schleifen vermieden und die Suche nach uninformativen Alternativen eliminiert. In Experimenten auf etablierten Benchmarks übertrifft PseudoAct bestehende reaktive Agenten deutlich: Auf FEVER erzielt es einen absoluten Erfolgssatz von 20,93 % mehr, und auf HotpotQA erreicht es einen neuen Stand der Technik.

Diese Ergebnisse zeigen, dass die Kombination aus Pseudocode‑Synthese und strukturiertem Planungsansatz LLM‑Agenten in der Lage macht, langfristige Aufgaben konsistenter und effizienter zu bewältigen. PseudoAct stellt damit einen bedeutenden Fortschritt in der Entwicklung intelligenter, planungsfähiger KI‑Agenten dar.