先选后解：作为 LLM Agent 推理时优化的范式路由

本文探讨了基于 LLM 的代理在任务上的提升是源于模型本身还是其周围的推理范式。通过对比六种推理时范式在四个前沿模型和十个基准测试中的表现，研究发现推理结构在不同任务上效果差异显著，单一范式无法主导所有场景。受此互补性启发，作者提出“先选后解”方法：利用轻量级嵌入路由器为每个任务选择最合适的推理范式。实验表明，该方法显著提升了平均准确率，优于最佳固定范式，并有效缩小了与理想选择的差距，论证了推理范式选择应作为基于学习的逐任务决策。