Lifecycle

生命周期与编排关注 Agent 系统如何在多次模型调用、工具调用、失败、修订和交接中推进任务。这一层将两个关注点结合起来：Agent 的执行流(execution flow)，以及该执行流所读写的操作状态(operational state)。在长程任务中，可靠性不仅取决于模型能否生成一个好的下一步动作，还取决于 harness 能否记住已经发生了什么、决定下一步该做什么、如何从错误中恢复、协调子任务，以及在任务完成时停止。 1. 生命周期状态管理 生命周期状态(Lifecycle State)指的是为了 Agent 能持续完成任务，系统必须在幕后维护的一套“账本”或“进度表”。如果把智能体执行任务比作玩一款大型单机游戏，生命周期状态就是你的“存档文件”，确保你即使关机重启，也能从上次停下的地方继续，而不是重头再来。 生命周期状态到底包含什么？ 它不是大模型看到的“对话历史”，而是智能体系统运行所需的“管理数据”。主要包括： 待办事项：还没完成的子任务清单。 中间产物：执行过程中产生的临时文件、代码库的变更（git changes）或中间生成的各种构件。 协调元数据：多个智能体协作时的进度同步信息。 断点续传机制：任务失败后的重试策略和恢复点（checkpoints）。 核心区别：它与“上下文”有何不同？ 上下文：是喂给模型看的“参考资料”（如检索到的文档、对话历史、记忆等），目的是为了让模型“推理”。 生命周期状态：是智能体系统自己的“工作日志”，目的是为了让系统更好地“控制”流程。 两种管理模式：无状态 vs. 有状态 论文探讨了开发者在设计这个“账本”时面临的权衡： 模式 做法 优点 缺点 无状态 (Stateless Replay) 每次都通过读取所有的对话记录，强行让模型“回忆”起目前的进度。 易于审计和重现，逻辑简单。 任务越长，对话记录就越臃肿，Token 成本极高。 有状态 (Stateful Execution) 把进度存进数据库或文件系统。下一次直接读取这个“存档”。 效率高，支持超长周期的任务，可以快速恢复。 调试和一致性维护相对困难（比如存档坏了怎么办）。 2. Single-Agent 循环 单 Agent 循环是 Agent 系统中的基本执行单元。单个 Agent 通过工具使用和反馈与环境交互，不存在多个 Agent 之间的显式协调。单 Agent 循环遵循 ReAct 范式，交替进行推理(reasoning)、行动(action)和观察(observation)。这类系统的行为不仅由模型决定，还由构造提示词、调用工具、管理控制流、将工具输出反馈到后续步骤等 harness 决定。 在这一层级，论文根据系统如何维护运行状态，将 Single-Agent 内部循环分为两种主要模式： 无状态重放 (Stateless Replay)： 特点：完全通过记录的交互历史来重构执行状态。这种方式提升了可重复性和可审计性。 代表系统：Codex CLI 是此类模式的最典型案例。 混合执行 (Hybrid Execution)： 特点：除了交互历史，还依赖于持久化的制品（Artifacts），如文件、代码仓库、数据库或会话状态。 优势：在轨迹极长时，避免了因历史记录过长导致的上下文爆炸，提高了任务的连续性和故障恢复能力。 代表系统：包括 OpenCode、Claude Code、Aider 和 SWE-agent 等大多数实用的编码智能体。详见表 2。 尽管单智能体循环具有极大的灵活性，但在处理长程任务时会面临诸多问题： ...