跳转至

非典型状态机

多样性约束住了，harness 覆盖了剩余空间。这个被约束后的系统在运行时到底长什么样？

它是一个状态机——形式上完全符合定义。但它有几条不寻常的性质。

Agent loop 是一个 while 循环

任何 agentic system 的核心都是一个循环：

while not done:
    output = llm(context)
    if output.has_tool_calls:
        results = execute(output.tool_calls)
        context.append(results)
    else:
        done = True

当前状态（上下文）+ 输入（工具结果）→ 转移函数（LLM 推理）→ 下一个状态（更新后的上下文）。形式上，这就是一个状态机。

如果你告诉一个计算机科学家"agent loop 是一个状态机"，他会点头。但如果他试图用验证有限状态机的方法来验证你的 agent，他会发现问题。

经典 FSM vs Agent 状态机

维度 经典有限状态机 Agent Loop
状态表示 枚举类型，有限集合 自然语言 + 结构化数据，组合爆炸
转移函数 确定性，查表 非确定性，LLM 推理
输入字母表 有限符号集 自然语言 + 工具结果，无穷
转移可预测性 完全可预测 概率性，同输入可能不同输出
状态数量 有限，可枚举 实际无限
终止条件 到达接受状态 模型决定停止（或 harness 强制停止）
转移触发 同步，输入到达即转移 同步 + 异步事件混合

三条非典型性质

性质一：自然语言状态

经典 FSM 的状态是 enum { IDLE, WORKING, DONE } 这样的东西——有限、离散、可精确比较。Agent loop 的"状态"是整个上下文窗口的内容——一个可能包含几万个 token 的自然语言文本。

"两个状态是否相同"这个问题本身就是模糊的。上下文里多了一句话、少了一句话、换了一种说法——是同一个状态还是不同的状态？没有精确答案。Context management（compaction、summarization）本质上就是在做状态降维——把无限的状态空间压缩到一个可近似比较的子空间里。

性质二：LLM 作为转移函数

经典 FSM 的转移函数是确定性的：状态 A + 输入 X → 一定到状态 B。Agent loop 的转移函数是 LLM 推理——同样的上下文 + 同样的工具结果，喂进去两次，可能得到不同的下一步决策。

这不是实现上的 bug，是机制上的特性——ch-01 说过，概率性是 LLM 的操作特性之一。

性质三：终止的非确定性

经典 FSM 在到达预定义的接受状态时停止。Agent loop 在模型"认为任务完成了"的时候停止——而这个判断本身是概率性的。模型可能在任务实际完成之前就宣布完成（false positive），也可能在任务已经完成之后还在继续做无意义的操作（false negative）。

所以每一个生产级 harness 都有外部终止机制——最大步数、超时、人类中断——不是不信任模型，是给概率性判断兜底。

不只是 while 循环：事件驱动

上面描述的同步循环是 agent loop 的主路径。但生产级 harness 不只跑一个 while 循环——它是一个事件循环。

主路径之外，还有异步信号在不断到达：

  • Hooks：pre-tool-call、post-tool-call 钩子在主路径的特定节点触发，可以拦截、修改或中止执行。
  • 外部中断：用户中止、超时信号、CI 状态变更——这些事件随时可能打断主路径。
  • 事件驱动的 kickoff：agent 的启动本身就不一定是人手动触发的。外部世界的状态变更（数据到达、上游服务推送、定时调度、另一个 agent 的输出）都可以作为 agent 执行的触发条件。在生产级编排层中，事件驱动的 agent kickoff 是常见模式——状态机的第一步转移，就已经是异步的了。

经典 FSM 不需要面对这个维度——它的转移是同步的，一个输入对应一次转移。Agent 状态机的转移既有同步的（LLM 输出 → 工具执行 → 结果回注），也有异步的（外部事件随时注入）。这使得 harness 的运行时模型更接近一个事件驱动的 reactor，而不是一个简单的 while 循环。

两种约束策略

面对这个非典型状态机，业界有两种约束策略：

显式图（LangGraph）：在非确定性的 LLM 转移之外，叠加确定性的 graph 结构——哪些节点可以转移到哪些节点，由你定义；每个节点内部的 LLM 调用，是概率性的。确定性骨架 + 概率性肌肉。

隐式循环（Claude Agent SDK / OpenAI Codex harness）：不预定义显式图，而是用 tool definitions + hooks + 权限系统来约束 agent 在每一步的可选行为空间。循环本身是通用的，约束通过运行时配置注入。

两者不是对错之分，是适用场景之分。流程可预定义时，显式图更透明；流程需要灵活探索时，隐式循环更自然。

状态空间近乎无限，转移函数非确定性，终止条件概率性，驱动方式是同步和异步的混合。这仍然是一个状态机，只是你没法用经典方法验证它。

理解了运行时的形态，还剩一个维度没拆开：这个状态机上的反馈回路不只有一层。

延伸阅读

  • Weng, L. (2025). Building LLM-Powered Agents. lilianweng.github.io. — 从 agent loop 的运行时结构出发，系统梳理了状态管理、工具调用、终止控制等工程维度，与本文的非典型 FSM 视角互补

概念与实体

本文涉及的核心概念与实体，在项目知识库中有更详细的资料：