Resumen: Los agentes de modelos de lenguaje grande (LLM) han demostrado capacidades notables en el uso de herramientas, el razonamiento y la generación de código; sin embargo, los sistemas de agente único exhiben limitaciones fundamentales cuando se enfrentan a tareas de investigación complejas que exigen síntesis de múltiples fuentes, verificación adversaria y entrega personalizada. Presentamos DOVA (Agente versátil orquestado profundo), una plataforma multiagente que presenta tres innovaciones clave: (1) orquestación de deliberación primero, donde el metarazonamiento explícito precede a la invocación de la herramienta, informado por un modelo de usuario persistente y un contexto de conversación consciente de la entidad; (2) razonamiento colaborativo híbrido, un proceso componible de tres fases que unifica la diversidad del conjunto, la transparencia de la pizarra y el refinamiento iterativo; y (3) pensamiento adaptativo de múltiples niveles, un esquema de asignación de presupuesto simbólico de seis niveles que reduce el costo de inferencia entre un 40% y un 60% en tareas simples y al mismo tiempo preserva la capacidad de razonamiento profundo. Formalizamos los algoritmos centrales, presentamos un estudio de ablación arquitectónica en siete configuraciones del sistema y analizamos la contribución de cada componente para responder a la confianza, la cobertura de la fuente y la eficiencia del token.
Publicado originalmente en export.arxiv.org el 16 de marzo de 2026.
Ver fuente original
