商傳媒｜何映辰／台北報導
韓國電子通信研究院（ETRI）今日宣布，已成功開發一款名為「ReAcTree」的分層人工智慧（AI）代理技術。這項新技術能自主規劃並執行複雜的長序列任務，例如烹飪或清潔，大幅提升 AI 在現實世界任務中的成功率，並有效降低大型語言模型（LLM）的「幻覺」現象。
傳統上，大型語言模型在理解與推理方面表現出色，但在處理多步驟、長程序任務時仍有侷限，例如在執行烹飪或清潔等複雜指令時，常因處理流程過長而出現「幻覺」（hallucination，指 AI 遺忘早期指令或執行不相關動作）問題。為解決此挑戰，韓國電子通信研究院研究團隊導入「分層代理樹」（Hierarchical Agent Trees）概念，開發出 ReAcTree。
ReAcTree 的運作模式類似企業組織架構，由一個高層代理（top-level agent）負責管理整體目標，並將詳細任務指派給多個低層代理（lower-level agents）。舉例來說，當收到「烹煮馬鈴薯片並放入冰箱」的指令時，ReAcTree 不會一次處理所有步驟，而是將任務分解為「找到菜刀」、「找到並切好馬鈴薯」、「用微波爐加熱馬鈴薯片」以及「將其存放在冰箱」等子目標。每個低層代理再各自執行被指派的角色，避免了傳統 AI 常見的邏輯錯誤，例如遺漏加熱馬鈴薯的步驟。
該研究成果已於 2026 年的 AAMAS 大會上發表，該會議為 AI 代理領域的全球頂尖會議之一。透過結合「情節記憶」（episodic memory，儲存過往成功經驗並在類似情境下重複使用）與「工作記憶」（working memory，所有代理共享當前環境資訊），ReAcTree 大幅提升了代理的判斷與執行準確性。
這項技術的效能已在虛擬家庭環境資料集 ALFRED 和 WAH-NL 上進行驗證，並使用韓國電子通信研究院自主開發的語言中心程序生成 AI 基準測試 LoTA-Bench 進行評估。在模擬現實條件的有限視野環境中，ReAcTree 展現出世界級的任務成功率。值得注意的是，當 ReAcTree 應用於僅有 70 億（7B）參數（模型規模的衡量單位）的小型語言模型時，其任務成功率達 37%，竟高於傳統方法使用 720 億（72B）參數大型模型所達到的 31%。這顯示 ReAcTree 能以相對較少的運算資源，達到與大型模型媲美的性能，大幅提升技術運作效率。
韓國電子通信研究院社會機器人研究部門主任 Kim Do Hyung 表示，ReAcTree 技術能邏輯性地分解複雜流程，並透過代理之間的協作，即使在不確定環境中也能靈活應對。未來，團隊計畫透過加入代理向人類提問以解決不確定性的功能，進一步減少幻覺並升級技術，使其能應用於實際生活場景。
