来自 AI 研究立场图谱百科
生长树主义:agent 应该运行在一棵会生长的行为树上:模型处理新情况,并把每次的解法写回树里,成为一个反射节点。
主张
生长树主义的出发点是一个时间问题。模型思考的那几秒钟里,世界不会暂停:球滚过来了,有人在叫,杯子快洒了。人之所以应付得来,是因为大多数反应根本不经过思考。所以 agent 的 harness 应该是一棵行为树——游戏 NPC 和机器人导航里用了多年的 sequence/selector 结构——持续运行、即时反应。模型不在内环里,只有当树遇到自己处理不了的情况时才被唤醒,而模型想出来的东西会作为新节点写进树里。时间一长,新情况越来越少,反射接管了大部分工作,agent 活得越久越熟练。
它在图上偏世界一侧,因为这棵树的职责是应对一个实时变化的环境;又处在 harness 一端的最底部,因为智能被拆分给了模型和一个显式的、不断生长的控制结构。范式等级为求新:它把模型从驾驶员重新定位为自己反射的作者。
论据
- 行为树在游戏 AI 和机器人领域久经考验,模块化、可检查,长出来的 agent 依然可读、可调试。
- 把快速反射和慢速思考分开,从根上解决延迟问题,而不是寄希望于模型越来越快。
- 把解决过的情形写成可复用的结构,和 Voyager 这类积累代码技能库的 agent 一脉相承,能力可以在不重新训练的情况下复利增长。
批评
- 新节点该挂在哪、和已有节点怎么交互,处理不好就会长成一棵自相矛盾的乱树。
- 模型写下的反射可能把错误固化下来,之后触发时不再经过任何思考去纠正。
- 端到端派认为,一个用足够数据训练出来的快速策略,就能让显式的树变得多余。
代表作
- How to Control an Agent with a Growing Behavior Tree2026
- Voyager: An Open-Ended Embodied Agent with Large Language Models2023
关系
怎样测出它
在完整版或专业版里落到这一格:x ≈ +0.23,y ≈ −1.00,范式 ≈ +0.22。