第一部分：让你的AI智能体变得乏味：确定性层
内容提要
在生产级LLM系统中构建确定性层：将模型限制在单一节点，其余部分为可测试的普通代码。智能体只提出建议，不直接改变业务状态，由经审批的底层组件执行。每个能力采用固定流程图，模型仅负责判断节点，输出须经结构化约束与校验，失败则重试或拒绝。置信度由多信号合成，用于路由至自动、人工或拒绝。所有决策写入只追加账本。若需自主循环，须设步数上限、工具白名单和完整追踪。
延伸解读
确定性层：生产级LLM系统的基石
文章将确定性层列为六级成熟度模型的第一级，强调在评估、置信度路由等更高层能力之前，必须先让底层稳定。核心思路是将模型限制在单一节点，其余部分为普通可测试代码。这要求智能体仅提出建议，由经审批的底层组件执行，从而将不可预测性降至最低。
智能体只提议，不直接改变业务状态
智能体被设计为纯函数，从上下文到提议决策，不直接修改业务状态。提议包含决策ID、能力、动作、置信度、路由和推理等字段。底层组件是唯一修改器，且仅在获得批准后应用提议。这种分离带来可测试性、安全性和可组合性，避免隐藏的副作用链。
固定流程图与结构化输出
每个能力采用固定节点序列，模型仅用于需要判断的节点，其余为普通代码。模型输出必须符合结构化模式，并通过验证和重试机制确保合规。结构化输出减少解析失败，但不保证正确性，因此仍需验证、评估和置信度合成。
置信度路由与只追加账本
置信度由模型信号、验证和抽样评审合成，路由节点根据阈值将决策分为自动、人工推荐、人工必需或拒绝。所有决策写入只追加账本，记录不可变，修正通过新行取代。账本哈希输入而非存储原始数据，平衡可验证性与隐私。
Q&A
如何让LLM智能体在生产系统中变得可测试和可审计？
将模型限制在单一节点，其余部分为普通可测试代码。智能体只提出建议，不直接改变业务状态，由经审批的底层组件执行。每个能力采用固定流程图，模型仅负责判断节点，输出须经结构化约束与校验，失败则重试或拒绝。所有决策写入只追加账本。
为什么智能体应该只提出建议而不直接执行业务操作？
因为智能体作为纯函数，无权限改变业务状态。这样即使智能体被越狱或存在缺陷，也只会产生不良建议而非不良操作，爆炸半径止于“护栏或人类说不”。同时，纯函数便于测试，相同上下文产生相同建议，无需模拟世界。
如何确保LLM输出结构化且可靠？
通过三种方式约束模型输出：模式引导（JSON Schema）、工具/函数调用、语法约束解码。然后验证每个响应，若不符合则重试并反馈验证错误，限制重试次数并失败关闭。这样下游只接收类型化对象，避免解析自由文本的脆弱性。
置信度路由是如何工作的？
置信度由模型信号、验证结果和抽样评审合成。路由节点根据置信度和验证标志，使用单一阈值将决策分为四类：自动、建议人工、必须人工、拒绝。路由在提案形成前运行，阈值按能力配置，初始保守，随数据证明安全后逐步降低。
决策账本的作用和设计要点是什么？
决策账本是每个决策的不可变记录，作为最后节点无条件写入。设计要点：只追加，无更新/删除权限；更正通过新行并设置supersedes；输入哈希而非原始敏感数据；可选哈希链防篡改；负载下也不可跳过写入。
在什么情况下可以使用有界ReAct循环？如何控制？
当决策需要根据发现动态决定步骤数量和顺序时，可使用有界ReAct循环。控制措施包括：硬性迭代上限（用for循环）、每能力工具白名单、每步完整追踪、输出仍经过护栏、验证、置信度和路由，且只提议不执行。
