GraphBit：面向非线性智能体编排的基于图的智能体框架

依赖提示式编排的智能体LLM框架——即由模型自身决定工作流转移——常受幻觉路由、无限循环与不可复现执行之苦。我们提出GraphBit，一个由引擎编排的框架，将工作流显式且确定性地定义为有向无环图（DAG）。与提示式编排不同，GraphBit中的智能体以类型化函数方式运行，而基于Rust的引擎负责管控路由、状态转移与工具调用，确保可复现性与可审计性。该引擎支持并行分支执行、基于结构化状态谓词的条件控制流，以及可配置的错误恢复。由临时暂存空间、结构化状态与外部连接器组成的三层记忆架构在阶段间隔离上下文，防止级联式上下文膨胀对长流水线推理质量的损害。在涵盖零工具、文档增强与联网工作流的GAIA基准任务上，GraphBit优于六个现有框架，取得最高准确率（67.6%）、零框架诱致幻觉、最低延迟（11.9 ms开销）与最高吞吐量。消融实验表明，每一层记忆都对性能有可测量的贡献，而确定性执行在能代表真实部署的工具密集型任务上带来最大收益。