你的智能体拥有基因组：LLM驱动自主智能体的序列级行为分析与运行时治理

我们提出基础序列分析（Base Sequence Analysis），一个将LLM驱动自主智能体的运行时行为编码为紧凑符号序列的框架，所用四字母表为：X（探索）、E（执行）、P（规划）与V（验证）。借助与基因组序列分析的类比，我们对8天内从生产级ReAct智能体系统收集的347条真实执行轨迹应用了n-gram模式挖掘、马尔可夫转移矩阵与点二列相关分析。我们的分析揭示：(1) 三元组P-X-P是唯一具有统计显著性的高风险模式，会使成功率降低10.4%；(2) P占比是成功率最强的负向预测因子（r=-0.256，p<0.0001）；(3) E->V转移概率仅为2.1%，表明存在系统性的验证缺失。基于这些发现，我们设计了Governor，一个由规则引擎、统计累加器与基于卡方的阈值适配器组成的三层运行时干预系统。在一项自然的部署前后评估（N=101 对 N=246）中，Governor使任务成功率绝对提升6.2%，同时将平均token消耗降低44%。为验证跨系统的普适性，我们将XEPV编码应用于SWE-bench上的2000条公开SWE-agent轨迹，证实探索螺旋与E->V验证缺失在一个独立系统中同样成立。我们列出了包括基础序列语言模型、跨智能体行为指纹与奖励塑形在内的六个研究方向，并发布了开源工具包以保证可复现性。