关于看到 MiMo-V2.6 后联想到的一套 Agent 架构设计
2 min read|从 ReAct、Planner-Executor、Verifier，到可插拔 Decision Model 与 RL 训练闭环
关于看到 MiMo-V2.6 后联想到的一套 Agent 架构设计：从 ReAct、Planner-Executor、Verifier，到可插拔 Decision Model 与 RL 训练闭环，把运行时执行和训练时策略优化串成一个完整框架。
图里在讲什么
Agent Runtime（运行时执行当前策略）
User Goal→Task Router：按 simple / complex 分流- simple → ReAct 循环：Think 决定下一步 → Act 工具调用 → Observe 更新状态 → Done/Stop 判断，如此循环
- complex → Plan-and-Execute：Planner 出目标/依赖/计划 → 拆成当前子任务 → Executor 做局部 ReAct（文件·API·代码·测试）→ Tool Runtime；
Hooks挂在 pre-plan 与 pre/post-exec - 两条路径都汇入
Verifier（测试·约束·完成度）：PASS → 完成或进入下一项；FAIL → 重规划 / 重试
Pluggable Decision Layer（可插拔决策层）
Jev / Decision Model：输入「状态 + 候选动作 + 上下文」，输出 选择 / 打分 / 允许 / 拒绝 / 询问 / 挂起- 关键约束：它只做选择，不执行
RL Training（训练时，离线）
Policy(t)→Rollout（跑完整任务）→Trajectory（状态→动作→观察）→Grader（测试/正确性）→Reward→Update Policy → Policy(t+1)- 原则：训练时把策略练好，不要在每个运行时步骤重训模型
线的语义：实线 = 运行时控制流；淡紫虚线 = 决策注入；绿色虚线 = 执行轨迹 → 训练数据。
注释：可验证的错误是测试失败、非法工具调用、错误代码、不可用操作；幻觉问题仍需 Search、RAG、数据库、外部工具或一个可靠的 grader。