突破大模型瓶颈：Actor-Critic 双智能体架构与自我迭代技巧
在处理日益复杂的生成任务时，单一的大语言模型（LLM）往往难以保持高质量的输出。这主要受限于大模型底层的三个顽疾：
- 无法克服的”自回归”机制：模型倾向于根据上文逻辑自圆其说，一旦初期判断错误，后续会不断寻找证据支持错误结论，而非推翻重来。
- 撕裂的”注意力分配”：模型难以在”创造”与”批判”之间保持平衡，顾此失彼。
- 致命的”上下文污染”：随着对话轮次增加，历史信息的干扰会导致关键指令迷失（Lost in the Middle）。
为了在无需深入理论底层的前提下解决这些问题，高效的 Agent 构建策略是采用Actor-Critic 双智能体架构，即引入一个独立的裁判 Agent。通过物理隔离上下文，将角色解耦为**“打工人 Agent”（执行者）和”裁判 Agent”（审查者）**。执行者专注生成，裁判者专注评估，从而规避单 Agent 在审查自身工作时面临的认知偏差。
核心机制：结构化评价与单调递增
裁判 Agent 的核心价值在于建立严格的**“先评后分”机制，并采用雷达图多维评分**体系。裁判不能仅凭直觉给出模糊反馈，而必须从多个维度（如功能性、美观度、代码规范等）对执行者的产出进行量化打分。
在此基础上，系统需引入**“爬山算法”策略**来拦截”退化代码”：
- 版本拦截：当执行者根据反馈进行二次修改后，裁判 Agent 再次评分。如果新版本评分低于历史最高分，系统判定为”拒绝合并”，拒绝吸收劣质更新。
- 单调递增：只有当新版本的评分大于历史最高分，才允许合并进入主分支。这种机制确保了迭代过程的每一步都在向更优解迈进，实现了质量的单调递增。
进阶策略：打破局部最优
为防止 Agent 陷入”死胡同”或局部最优解，系统可设定**“防卡死回滚”机制**。当执行者在同一思路上多次尝试（如连续三次修改）均未能获得更高评分时，系统会强制介入：
- 撤销最近的修改。
- 强制注入新的 Prompt，彻底转换解题思路或重写部分逻辑参数。
这种机制赋予了 Agent 自我纠错和突破瓶颈的能力，实现了真正的自我迭代（Self-Iterative）。
实战效果：自动化城市生成
利用这套Actor-Critic 双智能体 + 自我迭代框架，结合 Seed-2.1 等具备较强自我迭代能力的模型，可以实现完全自动化的复杂任务处理。
在 3D 建模演示中，单 Agent 试图根据参考图生成鸟巢状模型时，容易陷入结构混乱（如生成圆柱体）。而在双智能体架构下：
- 执行者专注于根据参考图生成的基础 3D 模型。
- 裁判者进行多维评分，指出结构缺陷。
- 执行者在裁判反馈下进行多轮优化，且每次改动必须提升总分。
最终，系统成功生成了结构完整、细节丰富的高精度鸟巢模型，以及由大量独立建筑单元组成的自动化城市街区。这一成果证明了双智能体架构在解决 LLM 固有缺陷、提升复杂任务完成度上的显著优势。