Skip to content

Agent控制流设计：确定性优先于Prompt

tags: #Agent-Architecture #Control-Flow #State-Machine #LLM-Engineering source: Agents need control flow, not more prompts score: 技术深度9/10 | 实用价值9/10 | 时效性8/10 | 领域匹配10/10 | 综合 9.0/10

核心概念

当前Agent开发的核心误区：试图用越来越复杂的prompt来解决可靠性问题。正确路径是将LLM视为决策组件，用确定性控制流（状态机、校验检查点、条件分支）编排其行为。这一观点来自HN 388 points、202 comments的热门讨论，代表了2026年Agent工程化的共识转向。

设计原理

  • Trade-off分析：纯prompt驱动的Agent（如ReAct循环）在简单场景表现良好，但面对多步骤、有副作用（写文件、发请求）的操作时，prompt的不确定性会导致不可预测的行为。确定性控制流牺牲了一定的灵活性，换取了可调试性和可预测性。
  • 核心洞察：LLM擅长理解和生成自然语言，不擅长可靠的流程控制。把两者分离——LLM做决策，确定性代码做执行和流程管理。
  • 与Weak-Model-Orchestration的呼应：弱模型编排同样强调用代码逻辑管理LLM调用，而非依赖模型自身做流程控制。

关键实现

# 状态机模式的Agent控制流
class AgentState(Enum):
    PLAN = "plan"
    EXECUTE = "execute"
    VALIDATE = "validate"
    RETRY = "retry"

def run_agent(task):
    state = AgentState.PLAN
    attempts = 0
    max_attempts = 3

    while state != AgentState.VALIDATE or not validated:
        if state == AgentState.PLAN:
            plan = llm.generate_plan(task)
            state = AgentState.EXECUTE
        elif state == AgentState.EXECUTE:
            result = execute_with_sandbox(plan)
            state = AgentState.VALIDATE
        elif state == AgentState.VALIDATE:
            validated = deterministic_check(result, task)
            if not validated and attempts < max_attempts:
                state = AgentState.RETRY
                attempts += 1
        elif state == AgentState.RETRY:
            plan = llm.refine_plan(plan, error_info)
            state = AgentState.EXECUTE

关键模式： - 校验检查点：每个关键操作后插入确定性校验，而非让LLM自己判断成功与否 - 重试边界：硬编码最大重试次数，避免无限循环 - 沙箱执行：副作用操作在隔离环境中执行，结果经校验后才提交

关联分析

可执行建议

  1. 立即落地：在下一个Agent项目中引入状态机模式，将LLM调用限制在"决策节点"，流程控制用纯代码实现
  2. 审计现有系统：检查当前Agent是否有"LLM判断LLM输出"的循环，替换为确定性校验
  3. 参考OpenClaw的实现：OpenClaw的tool approval机制本质上就是确定性控制流在Agent中的应用

自评

维度 分数 权重 加权
摘要质量 9 0.25 2.25
技术深度 9 0.25 2.25
相关性 10 0.20 2.00
原创性 8 0.15 1.20
格式规范 9 0.15 1.35
加权总分 9.05