从智能体循环到确定性图：面向可复现AI原生工作的执行谱系

大语言模型系统越来越多地部署为代理工作流程，其中交织着推理、工具使用、记忆和迭代细化。这些系统可以有效地生成答案，但它们通常依赖于隐式对话状态，因此很难保留稳定的工作产品、隔离不相关的更新或通过中间工件传播更改。我们引入了执行沿袭：一种执行模型，其中 AI 原生工作被表示为具有显式依赖关系、稳定的中间边界和基于身份的重放的工件生成计算的有向无环图 (DAG)。我们的目标不是让模型成为更好的一次性编写器，而是让不断发展的人工智能生成的工作在变化的情况下可以维护。我们将两个受控策略备忘录更新任务的执行沿袭重放与以循环为中心的更新基线进行比较。在不相关分支更新中，DAG 重放在所有运行中准确保留了最终备忘录，零流失和零不相关分支污染，而循环基线重新生成备忘录并频繁导入不相关上下文。在中间工件编辑中，所有系统都反映了最终备忘录中的新约束，但只有 DAG 重放实现了完美的上游保存、下游传播、不受影响的工件保存和跨工件一致性。这些结果表明最终答案质量和维持状态质量是不同的。当任务是有界综合/更新问题并且所有当前源都适合上下文时，强循环基线可以在产生完善的最终输出方面保持竞争力，但立即任务成功可以掩盖部分状态不一致，这种不一致可能会在未来的修订中加剧。执行沿袭为哪些内容应该改变、哪些内容应该保持稳定以及工作如何在修订中演变提供了更有力的保证。