从智能体循环到结构化图：基于调度理论的LLM智能体执行框架

本文聚焦LLM智能体执行范式的演进，指出当前主流的智能体循环存在隐式依赖、无界恢复循环、可变执行历史三大结构性弱点。通过引入调度理论视角（将智能体循环表征为单就绪单元调度器），提出结构化图harness（SGH）框架，将控制流从隐式上下文提升为显式静态DAG。SGH通过执行计划不可变性、三层分离、严格升级恢复协议，在可控性、可验证性和可实现性之间取得平衡，为构建更可靠的智能体系统提供新方向。

当前LLM智能体系统的主流范式是智能体循环，其核心为迭代循环：模型读取历史上下文决定下一步操作，往复直至任务完成，因简洁灵活被广泛采用（如ReAct等框架）。但随着任务复杂度提升，其结构性弱点暴露：

1. 隐式依赖：步骤依赖通过上下文隐式传递，导致行为难预测、易出错、可维护性差；
2. 无界恢复循环：错误恢复尝试可能无限持续，浪费资源且难以干预；
3. 可变执行历史：动态累积的历史记录混杂冗余信息，调试异常困难。这些均为范式本身的结构性缺陷。

调度理论视角

将智能体循环表征为调度理论中的单就绪单元调度器：任意时刻最多一个活跃单元，执行决策依赖LLM隐式推理，缺乏显式控制结构。此视角揭示其与图执行引擎的联系，为改进提供理论工具。

SGH框架核心设计

SGH将控制流提升为显式静态DAG（节点为执行单元，边为依赖/控制流），并做出三大承诺：

1. 执行计划不可变性：计划版本内结构不变，消除可变历史的调试难题；
2. 三层分离：规划（创建优化计划）、执行（调度节点）、恢复（处理异常）独立分层；
3. 严格升级恢复协议：定义失败处理的升级规则，防止无界恢复循环。

权衡分析

SGH牺牲部分表达性（如自适应行为需更复杂机制），换取可控性与可验证性提升。对70个系统的分析显示：现有系统分布广泛，SGH在可控性/可验证性上优于智能体循环，灵活性高于完全静态工作流。

形式化规范与理论保证

SGH包含严格规范：定义节点状态机（等待/就绪/运行/成功/失败等）、状态转换规则及终止条件。规范证明：满足无循环依赖、恢复协议收敛等条件时，执行必在有限步终止且结果soundness。

本文为立场论文，重点在理论与设计，未提供完整实证结果，但提出可归属的实验框架：采用七组设计指导未来验证，涵盖不同复杂度任务、失败模式及恢复策略的评估。目标是量化SGH与其他范式的优劣，验证理论分析正确性，优化框架。

SGH框架是智能体执行范式的重要演进，通过调度理论视角与显式图结构，解决智能体循环的结构性弱点，为可靠、可维护的智能体系统提供理论基础与实践指南。

未来工作方向：

1. 完整实现SGH框架；
2. 在真实场景大规模评估；
3. 探索与多智能体协调、工具学习、记忆管理等技术的集成。随着智能体任务愈发关键，SGH这类提供严格保证的框架将更重要。