智能体编排的形式化层级架构：栈式执行与惰性发现

大语言模型（LLM）智能体能力的快速扩张暴露出一个关键架构瓶颈：当智能体可访问扁平、单体式的工具注册表时，模型必须同时评估成百上千个选项。这导致决策空间爆炸、上下文窗口饱和与路由准确率退化。为解决这些局限，本文提出一个层级化、基于技能的智能体编排架构：能力组织为有根树，内部节点做路由决策、叶节点执行确定性任务。运行时强制由后进先出（LIFO）栈治理的单步执行循环——给智能体一种类似下推自动机的记忆形式，使其能追踪嵌套执行上下文并从任意深度确定性地恢复。能力发现遵循清单驱动、惰性加载协议：只加载活动节点的直接子节点，使内存与提示成本随探索路径而非全局注册表扩展。以局部栈帧取代全局内存，该架构防止一个执行分支的输出泄漏到另一分支——确立受监管企业环境部署所需的隔离保证。我们还讨论UPI Help——一个AI驱动的数字支付支持产品——作为激励性的生产部署情境。我们提供编排状态的数学形式化、执行循环的详细算法分析，以及对比扁平与层级路由的受控基准：覆盖不断增长的工具目录、多步工作流压力与每次LLM调用可见的模式token暴露。