Sebastien Rousseau

AGEN LLM

Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct

Sebagian besar loop agen menjalankan panggilan alat begitu model mengusulkannya, dan hasil JevAct menunjukkan bahwa titik pemeriksaan berbasis probabilitas yang murah, ditempatkan tepat sebelum eksekusi, dapat membuat agen pengguna alat lebih andal, meski peningkatannya sangat bervariasi antar-benchmark.

12 menit baca
Banner for: Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct

Sebagian besar loop agen menjalankan panggilan alat begitu model mengusulkannya. Hasil JevAct menunjukkan bahwa titik pemeriksaan berbasis probabilitas yang murah, ditempatkan tepat sebelum eksekusi, dapat membuat agen pengguna alat lebih andal, meski besarnya peningkatan sangat bervariasi antar-benchmark.

Ringkasan Eksekutif

  • Agen LLM makin sering mengambil tindakan berkonsekuensi melalui alat eksternal, tetapi tindakan itu sering dieksekusi tanpa verifikasi independen atas kepatuhan kebijakan atau penyelesaian tugas.
  • JevAct mengompilasi kebijakan domain secara offline menjadi pertanyaan, aturan, pemeriksaan status yang dapat dieksekusi, dan bila perlu, daftar periksa hand-off.
  • Saat runtime, kode memeriksa fakta dalam catatan alat, sementara Kev, model keputusan mirip Jev yang dirilis sebagai sumber terbuka, menjawab pertanyaan yang bergantung pada percakapan.
  • Dibandingkan dengan harness ReAct pada τ²-bench (Airline, Telecom) dan BFCL, peningkatan konsisten di Telecom dan pada keberhasilan tiga kali jalan di BFCL, dan lebih bervariasi di Airline.
  • Pembingkaian para penulis sendiri berhati-hati: temuan menunjukkan bahwa model keputusan terstruktur yang digabungkan dengan verifikasi yang dapat dieksekusi dapat meningkatkan keandalan.

Masalahnya: eksekusi langsung menyusul usulan #

Agen yang memesan penerbangan, membatalkan pesanan, atau mengubah pengaturan akun melakukan sesuatu yang tidak bisa dibatalkan diam-diam. Bagian yang tidak nyaman adalah betapa sedikit yang berdiri di antara saran model dan dampaknya. Banyak loop agen mengeksekusi panggilan alat yang diusulkan segera setelah model menghasilkannya. Tidak ada yang secara independen memeriksa apakah tindakan itu mematuhi kebijakan domain, atau apakah tugas yang dianggap selesai oleh agen memang sudah selesai.

Celah itu menjadi titik berangkat "Think Before You Act: Decision Gate for LLM Agents", preprint arXiv tahun 2026 karya Iftach Shoham, Yuval David, dan rekan di IBM, yang memperkenalkan JevAct. Ini bukan pengamatan baru, tetapi layak dinyatakan terang karena begitu banyak perangkat agen berfokus pada memperbaiki pihak pengusul. Agen ReAct menyelingi penalaran dengan penggunaan alat, dan pola itu telah menjadi baseline umum. Metode refleksi seperti Self-Refine dan Reflexion menambahkan kritik dan umpan balik untuk memperbaiki usulan atau percobaan berikutnya, tanpa memperbarui bobot model. Berguna memang, tetapi metode itu sendiri tidak memverifikasi satu tindakan tertentu terhadap kebijakan domain tepat sebelum eksekusi. Pemeriksaan yang dipedulikan JevAct berada di titik lain dalam loop: setelah usulan ada dan sebelum ia dieksekusi.

Apa itu JevAct #

JevAct adalah harness yang memeriksa usulan tertentu sebelum eksekusi. Ia dideskripsikan sebagai kerangka verifikasi runtime yang mencegat tindakan agen tertentu dan memungkinkan koreksi berbasis umpan balik. Ia beroperasi terlepas dari model agen yang mendasarinya dan tidak memerlukan modifikasi pada parameter atau alat model. Dalam konfigurasi yang dievaluasi, LLM, prompt dasar, dan alat agen tetap tidak berubah.

Secara arsitektur, JevAct menambah harness agen ReAct dengan menyisipkan tahap pemeriksaan selektif antara usulan pesan dan eksekusi. Kata "selektif" penting. Kerangka ini tidak memeriksa setiap pesan; ia menyasar jenis tindakan tertentu. Makalah mendefinisikan dua. Panggilan tulis (write call) mengubah lingkungan, misalnya dengan memesan, membatalkan, atau mengubah pengaturan. Hand-off mengakhiri upaya agen, entah dengan mengalihkan pengguna ke manusia atau dengan memberi tahu pengguna bahwa tidak ada lagi yang bisa dilakukan. Panggilan tulis adalah tempat pelanggaran kebijakan menimbulkan kerusakan; hand-off adalah tempat agen bisa menyerah terlalu dini. Tujuan yang dinyatakan kerangka ini, mengidentifikasi tindakan yang berpotensi tidak sah dan penghentian tugas yang prematur, sejalan dengan dua kategori itu.

Ketika pemeriksaan gagal, usulan tidak sekadar diblokir. Pemeriksaan dapat menunda eksekusi dan meminta usulan revisi dari LLM dengan umpan balik sementara, dalam batas anggaran revisi yang tetap. Usulan yang lolos diteruskan. Usulan yang ditandai kembali ke agen dengan umpan balik terarah dan kesempatan revisi yang dibatasi. Pembagian kerjanya pun tetap jelas: agen tetap mengusulkan tindakan, dan Kev tidak memilihnya.

Dua jenis bukti, satu gerbang #

Desainnya bertumpu pada pemisahan antara apa yang dapat diverifikasi secara deterministik dan apa yang tidak. JevAct menggabungkan verifikasi deterministik atas fakta status alat dengan penilaian probabilistik atas konteks percakapan. Saat runtime, kode memeriksa fakta yang tersedia dalam catatan alat, dan Kev menjawab pertanyaan yang bergantung pada percakapan.

Pemisahan itu masuk akal. Sebagian kondisi kebijakan adalah fakta yang tersimpan dalam catatan alat, dan program dapat membacanya tanpa pendapat model mana pun. Kondisi lain berada dalam apa yang dikatakan pengguna dan agen satu sama lain, yang tidak akan terjawab oleh pencarian basis data. Menyerahkan jenis pertama ke kode dan jenis kedua ke model berarti model hanya ditanya hal-hal yang tidak bisa dijawab kode.

Separuh offline-lah yang membuat ini praktis untuk dijabarkan. Sebuah kompilator mengubah kebijakan domain menjadi pertanyaan, aturan, pemeriksaan yang dapat dieksekusi atas status alat, dan bila perlu, daftar periksa hand-off. Dengan kata lain, JevAct mengompilasi kebijakan domain menjadi pemeriksaan status yang dapat dieksekusi dan pertanyaan terstruktur yang dievaluasi oleh model keputusan prefill-only. Para penulis mengatakan mereka meletakkan fondasi bagi alur kerja yang mengompilasi kebijakan domain menjadi pertanyaan, aturan keputusan, pemeriksaan status yang dapat dieksekusi, dan daftar periksa hand-off untuk gerbang model keputusan. Itu cara yang sederhana untuk mengatakannya, dan saya menerimanya apa adanya: klaimnya tentang fondasi sebuah alur kerja, bukan produk jadi.

Mengapa model keputusan, bukan LLM sebagai penilai #

Alternatif yang jelas adalah LLM penilai yang membaca usulan dan menulis putusan. Keberatan makalah ini bersifat praktis. Penjelasan bebas dari penilai semacam itu tetap harus ditafsirkan sebelum gerbang dapat bertindak, dan membuat keputusan ini dengan model frontier itu mahal. Gerbang membutuhkan keputusan, bukan esai.

Model keputusan dibangun untuk itu. Jev memperkenalkan model keputusan yang mengembalikan pilihan bertipe, skor, dan probabilitas, bukan teks yang dibangkitkan. Model ini mengembalikan pilihan dan probabilitas untuk pertanyaan tetap, sehingga pemeriksaan berbasis ambang menjadi lugas. Model yang dipakai JevAct bersifat prefill-only dan menghasilkan penilaian berbasis probabilitas tanpa bergantung pada pembangkitan LLM. Kev adalah model keputusan tipe Jev bersumber terbuka, ditempatkan dalam langkah verifikasi terpisah sebelum tindakan tertentu dieksekusi.

Ada catatannya, dan para penulis sendiri menyatakannya. Probabilitas model keputusan tidak dijamin terkalibrasi atau benar, sehingga nilainya harus diuji di dalam loop agen, bukan diasumsikan. Kalimat itu membingkai seluruh bagian empiris. Pertanyaan pokoknya adalah apakah model keputusan dapat berfungsi sebagai verifikator berambang probabilitas di samping pemeriksaan status alat yang dapat dieksekusi. Itu pertanyaan yang harus dijawab lewat eksperimen, dan di eksperimen itulah detail menariknya.

Riset terkait model keputusan memberi gambaran campuran tentang mengapa pengujian itu penting. Li et al. melaporkan hasil yang kompetitif pada preferensi dan faktualitas berbasis bukti, tetapi kinerja lebih lemah ketika derivasi diperlukan. Rao dan Callison-Burch melaporkan hasil rubrik yang bervariasi dan kesalahan yang tumpang-tindih dengan LLM penilai. Model keputusan yang kuat pada sebagian tugas penilaian dan lebih lemah pada yang lain adalah persis jenis komponen yang ingin Anda pasangkan dengan pemeriksaan deterministik, bukan dipercaya sendirian.

Bagaimana perbandingannya dijalankan #

JevAct dibandingkan dengan harness ReAct yang memakai LLM agen yang sama di kedua kelompok. Tugasnya mencakup Airline dan Telecom di τ²-bench serta tugas pemanggilan fungsi multi-giliran di BFCL. Menahan LLM agen tetap di kedua kelompok adalah kontrol yang tepat untuk pertanyaan yang diajukan: perbedaan apa pun berasal dari harness, bukan dari pengusul yang lebih kuat atau lebih lemah.

Makalah melaporkan hasilnya dengan angka pass^3 dari Tabel 2, beserta keberhasilan setidaknya-sekali. Kedua ukuran itu menarik ke arah berbeda, dan kontras di antara keduanya ternyata informatif. Keberhasilan di ketiga jalan menghargai agen yang benar setiap kali. Keberhasilan setidaknya-sekali menghargai agen yang benar pada percobaan mana pun. Verifikator yang menangkap tindakan buruk seharusnya membantu ukuran pertama lebih andal daripada yang kedua, dan hasilnya cocok dengan pembacaan itu, meski makalah hanya menyebut bahwa pola BFCL konsisten dengan kinerja yang lebih dapat diulang pada sebagian tugas. Jadi sisanya saya tandai sebagai interpretasi, bukan temuan.

Apa yang ditunjukkan angkanya #

Di Telecom, kedelapan agen meningkatkan keberhasilan setidaknya-sekali maupun keberhasilan di ketiga jalan. Itu hasil paling bersih dalam makalah: tanpa pengecualian di antara agen yang diuji, pada kedua ukuran.

Di BFCL, kesembilan agen meningkat pada keberhasilan tiga kali jalan, tetapi hasil setidaknya-sekali bervariasi. Bacalah dengan cermat. Di BFCL, ukuran yang lebih ketat naik untuk setiap agen yang diuji, sebesar 0,1 hingga 9,6 poin; ukuran yang lebih longgar membaik untuk empat agen dan menurun untuk lima. Jika Anda peduli pada agen yang berperilaku benar setiap kali, itu arah yang menguntungkan. Jika Anda peduli apakah percobaan ulang pada akhirnya bisa berhasil, manfaatnya belum terbukti di sini.

Airline adalah titik lemahnya. Efek di Airline lebih kecil dan berbeda-beda per agen. Ringkasan hasil menyebutnya sebagai peningkatan yang sangat konsisten di Telecom dan BFCL, sementara kinerja di Airline lebih bervariasi. Pendiri yang membaca ini tidak boleh membulatkannya menjadi "memperbaiki segalanya". Para penulis melaporkan peningkatan keandalan agen di berbagai model dan benchmark, tetapi di Airline peningkatannya lebih kecil dan bervariasi, dan mereka menyatakan temuannya tidak membuktikan peningkatan yang seragam. Makalah mengingatkan bahwa dengan 50 tugas Airline, satu tugas saja menggeser skor sebesar 2 poin persentase, sehingga selisih kecil harus dibaca dengan hati-hati; di luar itu, saya tidak akan menebak mengapa Airline berperilaku berbeda.

Pembacaan keseluruhannya diberi batasan oleh para penulis sendiri: temuan menunjukkan bahwa menggabungkan model keputusan terstruktur dengan verifikasi yang dapat dieksekusi dapat meningkatkan keandalan agen LLM pengguna alat. "Menunjukkan" adalah kata kerja yang tepat. Ini hasil yang menjanjikan, bukan bukti.

Apa yang diisolasi perbandingan, dan apa yang tidak #

Satu keterbatasan layak diberi bobot lebih dari biasanya. Karena JevAct menambahkan pemeriksaan hasil kompilasi dan kesempatan revisi, perbandingan mengevaluasi seluruh harness, bukan penilainya secara terpisah. Itu catatan penting bagi siapa pun yang berharap menyimpulkan bahwa model keputusanlah yang melakukan kerja berat. Peningkatan bisa berasal dari probabilitas Kev, dari pemeriksaan status yang dapat dieksekusi, dari kesempatan revisi tambahan, atau dari kombinasinya. Perbandingan utama tidak memisahkan semuanya.

Menurut saya itu bukan cacat, melainkan deskripsi jujur tentang apa yang dapat ditunjukkan makalah sistem. Pertanyaan yang diajukan para penulis, apakah model keputusan dapat berfungsi sebagai verifikator berambang probabilitas di samping pemeriksaan status alat yang dapat dieksekusi, terjawab di tingkat pasangan, karena kata "di samping" ada dalam pertanyaan itu sendiri. Tetapi pembaca yang memutuskan ke mana upaya diinvestasikan perlu mengingatnya. Jika Anda membangun sesuatu yang serupa, Anda tidak dapat menyimpulkan dari bukti ini bahwa model keputusan saja akan membawa peningkatan, maupun bahwa pemeriksaan kode saja akan melakukannya.

Ini juga berarti catatan soal kalibrasi tetap berlaku. Probabilitasnya tidak dijamin terkalibrasi atau benar, dan hasil di tingkat harness tidak menghapus ketidakpastian itu. Hasil itu menunjukkan bahwa susunan secara keseluruhan membantu pada benchmark yang diuji.

Posisinya di antara desain pengaman lain #

JevAct bergabung dengan deretan pendekatan yang padat untuk menjaga tindakan agen, dan perbedaannya instruktif. GuardAgent memakai agen terpisah untuk membangkitkan dan mengeksekusi kode verifikasi dari persyaratan pengaman yang ditentukan pengguna. Zwerdling et al. mengompilasi kebijakan perusahaan menjadi pengaman yang dapat dieksekusi untuk memeriksa kepatuhan sebelum tindakan alat. AgentSpec merepresentasikan batasan runtime sebagai pemicu, predikat, dan tindakan penegakan. ShieldAgent menurunkan aturan yang dapat diverifikasi dari dokumen kebijakan.

Pendekatan lain bersandar pada model untuk verifikasinya. ToolSafe memakai batas pengaman hasil pembelajaran untuk menilai panggilan alat yang diusulkan dan mengembalikan umpan balik, sementara PolicyGuard dan PolicyGuide memakai verifikator berbasis model untuk kepatuhan kebijakan dan panduan alur kerja. CaMeL menempuh jalur berbeda, menegakkan keamanan melalui pemisahan alur kendali tepercaya dari data tak tepercaya.

Dengan latar itu, pilihan pembeda JevAct adalah pasangannya yang khas. Seperti lini riset kompilasi-ke-pengaman-yang-dapat-dieksekusi, JevAct mengubah kebijakan menjadi pemeriksaan atas status alat. Seperti verifikator berbasis model, ia memakai model untuk penilaian yang tidak bisa dibuat kode. Yang ia tambahkan adalah model keputusan yang mengembalikan probabilitas pilihan tetap, dipakai secara online sebelum tindakan tertentu dieksekusi, dengan umpan balik untuk revisi. Usulan tetap diserahkan ke LLM ReAct, dan Kev ditempatkan dalam langkah verifikasi terpisah sebelum tindakan tertentu dieksekusi.

Mengapa desain ini layak diamati #

Pandangan saya, gagasan paling berguna di sini bukan Kev itu sendiri, melainkan disiplin pemisahannya. Tanyakan kepada kode apa yang bisa dijawab kode. Tanyakan kepada model hanya apa yang bergantung pada percakapan. Pisahkan pengusul dan verifikator, sehingga model yang memeriksa tindakan bukan model yang menyarankannya. Dan jadikan keluaran verifikator sebuah probabilitas terhadap ambang, sehingga gerbangnya berupa perbandingan, bukan potongan teks yang harus diurai seseorang.

Desain itu juga membuat titik lemahnya terbaca. Jika sebuah pemeriksaan salah tembak, Anda bisa menanyakan apakah itu pemeriksaan status atau pertanyaan percakapan. Jika ambangnya keliru, ambang itu angka yang bisa Anda periksa. Peringatan makalah sendiri bahwa probabilitas perlu diuji di dalam loop adalah naluri yang benar, dan itu sikap yang lebih baik daripada mengasumsikan verifikator bekerja karena terdengar masuk akal.

Hasil yang tidak merata justru menenangkan soal kejujuran pelaporannya. Kerangka yang mengklaim peningkatan seragam di mana-mana layak dicurigai lebih daripada yang menunjukkan delapan dari delapan di Telecom, sembilan dari sembilan pada keberhasilan tiga kali jalan di BFCL, hasil setidaknya-sekali yang bervariasi di BFCL, dan efek yang berubah-ubah di Airline. Pola itu memberi praktisi sesuatu untuk direncanakan: bukti terkuat ada pada keandalan di seluruh jalan berulang, dan yang terlemah ada di domain tempat efek berbeda-beda per agen.

Apa yang perlu dilakukan dengan ini #

Bagi pembaca teknis, pelajarannya bersifat arsitektural. LLM, prompt dasar, dan alat agen tetap tidak berubah dalam JevAct, sehingga lapisan verifikasi adalah sesuatu yang Anda tambahkan di sekeliling agen, bukan sesuatu yang Anda latihkan ke dalamnya. Bagi pendiri, pembacaan praktisnya lebih sempit daripada judulnya. Makalah melaporkan keandalan yang meningkat di berbagai model dan benchmark, dengan Airline lebih bervariasi, dan perbandingannya mengevaluasi seluruh harness, bukan penilainya secara terpisah. Perbandingan utama tidak memastikan komponen mana yang menghasilkan peningkatan, meski ablasi Airline dalam makalah mengisyaratkan bahwa verifikasi terprogram menyumbang sebagian besarnya dalam konteks itu.

Pertanyaan terbukanya adalah pertanyaan pokok makalah itu sendiri: apakah model keputusan dapat berfungsi sebagai verifikator berambang probabilitas di samping pemeriksaan status alat yang dapat dieksekusi, ketika, seperti dicatat para penulis, probabilitasnya tidak dijamin terkalibrasi atau benar. Hasil Airline, tempat efeknya lebih kecil dan berbeda-beda per agen, adalah tempat pertama untuk dilihat. Apakah variasi itu bersumber dari pemeriksaan, ambang, atau kebijakan yang dikompilasi masih dibiarkan terbuka oleh hasil yang dilaporkan, dan itulah eksperimen yang paling ingin saya lihat berikutnya.

Pertanyaan yang Sering Diajukan #

Apa itu JevAct? JevAct adalah kerangka verifikasi runtime dari peneliti IBM yang mencegat tindakan agen tertentu, yaitu panggilan tulis dan hand-off, sebelum eksekusi. Usulan yang ditandai kembali ke agen dengan umpan balik terarah dan kesempatan revisi yang dibatasi. LLM, prompt dasar, dan alat agen tetap tidak berubah.

Apa peran Kev dalam JevAct? Kev adalah model keputusan mirip Jev bersumber terbuka yang menjawab pertanyaan tetap dengan probabilitas, bukan teks yang dibangkitkan. Dalam JevAct, Kev menjawab pertanyaan yang bergantung pada percakapan, sementara kode memeriksa fakta yang tersedia dalam catatan alat. Kev tidak memilih tindakan; agen tetap yang mengusulkannya.

Bagaimana JevAct dievaluasi? Makalah membandingkan JevAct dengan harness ReAct yang memakai LLM agen yang sama di kedua kelompok. Tugasnya mencakup Airline dan Telecom di τ²-bench serta tugas pemanggilan fungsi multi-giliran di BFCL, dengan keberhasilan dilaporkan sebagai setidaknya-sekali dalam tiga jalan dan sebagai keberhasilan di ketiga jalan.

Apakah JevAct meningkatkan setiap agen di setiap benchmark? Tidak. Di Telecom, kedelapan agen meningkat pada kedua ukuran, dan di BFCL kesembilan agen meningkat pada keberhasilan tiga kali jalan sementara hasil setidaknya-sekali bervariasi. Efek di Airline lebih kecil dan berbeda-beda per agen, dan para penulis menyatakan temuannya tidak membuktikan peningkatan yang seragam.

Apakah makalah menunjukkan bahwa model keputusan saja yang mendorong peningkatan? Tidak. Karena JevAct menambahkan pemeriksaan hasil kompilasi dan kesempatan revisi, perbandingan utama mengevaluasi seluruh harness, bukan penilainya secara terpisah. Para penulis juga mencatat bahwa probabilitas model keputusan tidak dijamin terkalibrasi atau benar.

Referensi #

Terakhir ditinjau .

Terbitkan ulang artikel ini

Salin format untuk Medium

# Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/](https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/)

JevAct memeriksa tindakan agen LLM sebelum dijalankan. Dibanding baseline ReAct bermodel sama, hasilnya konsisten di Telecom dan BFCL, bervariasi di Airline.

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/

Salin format untuk Mastodon

Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau

JevAct memeriksa tindakan agen LLM sebelum dijalankan. Dibanding baseline ReAct bermodel sama, hasilnya konsisten di Telecom dan BFCL, bervariasi di Airline.

https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/

Salin format untuk LinkedIn

Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau

JevAct memeriksa tindakan agen LLM sebelum dijalankan. Dibanding baseline ReAct bermodel sama, hasilnya konsisten di Telecom dan BFCL, bervariasi di Airline.

Berikut adalah poin strategis utama:

- Masalahnya: eksekusi langsung menyusul usulan. Agen yang memesan penerbangan, membatalkan pesanan, atau mengubah pengaturan akun melakukan sesuatu yang tidak bisa dibatalkan diam-diam.
- Apa itu JevAct. JevAct adalah harness yang memeriksa usulan tertentu sebelum eksekusi.
- Dua jenis bukti, satu gerbang. Desainnya bertumpu pada pemisahan antara apa yang dapat diverifikasi secara deterministik dan apa yang tidak.
- Mengapa model keputusan, bukan LLM sebagai penilai. Alternatif yang jelas adalah LLM penilai yang membaca usulan dan menulis putusan.

Bagaimana pendekatan organisasi Anda terhadap tantangan yang diuraikan dalam artikel ini?

→ https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/

#AgenLlm #VerifikasiAgen #VerifikasiRuntime #ModelKeputusan #AgenPenggunaAlat

Sebastien Rousseau | CC-BY-4.0
Kutip artikel ini

Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau

JevAct memeriksa tindakan agen LLM sebelum dijalankan. Dibanding baseline ReAct bermodel sama, hasilnya konsisten di Telecom dan BFCL, bervariasi di Airline.

BibTeX

@online{rousseau2026memverifikasi,
  author  = {Rousseau, Sebastien},
  title   = {{Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/},
  urldate = {2026}
}

RIS

TY  - GEN
AU  - Rousseau, Sebastien
TI  - Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/
ER  -

Vancouver

Rousseau S. Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau. sebastienrousseau.com. 2026 Nov 18. Available from: https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/

Chicago

Rousseau, Sebastien. "Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau." sebastienrousseau.com. November 18, 2026. https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/.

APA

Rousseau, S. (2026, November 18). Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/

Terbitkan ulang artikel ini

Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau

JevAct memeriksa tindakan agen LLM sebelum dijalankan. Dibanding baseline ReAct bermodel sama, hasilnya konsisten di Telecom dan BFCL, bervariasi di Airline.

Artikel ini berlisensi Creative Commons Attribution 4.0 International. Penerbitan ulang memerlukan atribusi ke URL kanonis.

Memverifikasi Tindakan Agen Sebelum Dijalankan: Gerbang JevAct — Sebastien Rousseau

JevAct memeriksa tindakan agen LLM sebelum dijalankan. Dibanding baseline ReAct bermodel sama, hasilnya konsisten di Telecom dan BFCL, bervariasi di Airline.

Originally published at https://sebastienrousseau.com/id/2026-11-18-memverifikasi-tindakan-agen-sebelum-dijalankan-gerbang/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.