从Agent循环到确定性图：执行谱系如何让AI生成的工作可维护

本文介绍执行谱系这一新型执行模型，旨在解决传统Agent循环在状态管理、变更传播和可复现性方面的根本缺陷。该模型将AI原生工作表示为带有显式依赖关系的有向无环图(DAG)，通过显式依赖、稳定中间边界和基于标识重放等特征，提升AI生成工作的可维护性与可复现性。

大型语言模型系统的Agent循环工作模式（推理、调用工具、访问记忆、逐步优化）表面高效，但存在隐式对话状态问题：当需要修改中间环节、隔离变更或追溯决策时，系统常需重新生成大量内容，甚至引入副作用；相同提示词在不同时间可能产生不同结果，导致可复现性缺失。

执行谱系将AI原生工作表示为有向无环图(DAG)，节点代表计算步骤，边表示显式依赖关系。其关键特征包括：

1. 显式依赖关系：每个步骤明确输入来源，为变更追踪奠定基础；
2. 稳定中间边界：中间产物有唯一标识并稳定存储，分解为可独立管理模块；
3. 基于标识的重放：根据标识精确定位输入状态，确保相同输入产生相同输出。

对比实验验证了执行谱系的价值：

• 场景一（无关分支更新）：DAG重放完全保留原始状态，仅修改目标节点及下游；循环基线重新生成整个内容，易引入无关信息导致漂移。
• 场景二（中间产物编辑）：DAG重放在上游保留、下游传播、未受影响产物保护、跨产物一致性四个指标上均优于循环方法，避免了内容遗漏或矛盾。

研究揭示：最终答案质量与可维护状态质量是不同维度。强大的循环基线能产出高质量最终输出，但可能掩盖部分状态不一致问题，这些问题会在未来修订中累积放大。如同作家需解释段落来源并能修改论点而不破坏结构，AI系统需结构化组织工作过程以成为可维护的知识资产。

执行谱系为AI原生应用提供实践指导：

• 版本控制范式转变：针对计算过程差异，可精确回答修改影响范围；
• 协作支撑：清晰边界降低协作冲突；
• 审计合规基础：追溯决策完整谱系；
• 增量计算优化：减少不必要计算，提升响应速度。

执行谱系的局限：实施需显式建模，增加快速原型阶段开发负担；对极度创造性任务可能束缚思维。未来研究方向：自动从Agent循环提取谱系结构、降低建模成本、集成现有MLOps/LLMOps工具链。

从Agent循环到确定性图不仅是技术架构演进，更是对AI系统期望的转变——从“给出好答案”到“持续产生可维护工作”。执行谱系提供了理论基础与实践路径，在AI原生应用普及的今天，对可维护性的追求将决定系统能否成为生产级工具。