智能体演进至代码化范式，LinkedIn分享结构化执行框架降低LLM不确定性

智能体范式演进背景

过去几年，基于大语言模型的智能体从临时提示词粘合代码演变为结构化执行框架，即智能体Harness。这种转变由业务需求驱动，经历链、图、代码三种范式迭代，旨在让概率模型稳定、可观测，达到生产级水准。开发者需理解非确定性智能如何约束为可靠软件系统。

链式范式的局限

早期链式方案直观且上线快，如LinkedIn基于LangChain构建的三步流程：路由、检索、生成。但该结构脆弱，上游错误会级联传播，缺乏自动修复机制。虽然初期80%体验构建较快，但弥合生产质量需大量迭代，体现“尽力而为”特点。

图范式的控制与多智能体

随着复杂度增加，图范式引入分支、条件逻辑及并行执行，将控制流显式化。它催生多智能体系统，需A2A、ACP等协议支持异步通信。LinkedIn复用消息系统实现编排，保障FIFO投递，提升并行能力与弹性，并支持Hiring Assistant等应用发布。

代码化范式的确切性突破

最新突破是将代码作为推理媒介，Harness在沙箱中生成、执行并优化代码。代码的确定性弥补自然语言输出的概率性缺陷，通过失败反馈回路提升可靠性。系统包含执行沙箱、埋点日志、验证Harness及迭代优化循环四大组件，在隐私合规框架内运行，缩短上线时间并增强可审计性。

架构最佳实践建议

健壮系统需将LLM输出视为不可信输入，严格验证后再处理；解耦规划与执行以提升透明度；强化可观测性以捕获执行轨迹；构建持续改进回路。选型需权衡复杂度、可靠性及成本，链式适合线性任务，图式适合条件分支，代码式适合复杂动态场景，遵循“使用能可靠解决问题的最简单系统”原则。

来源：InfoQ