Credo：面向智能体工作流的可复用声明式原语

LLM 应用程序取决于模型和工具：该程序确定每次调用会看到什么、要进行多少次调用以及哪些答案值得信任。编码代理现在可以通过搜索候选程序来发现强大的工具，但生成的工件是一个不透明的命令式代码块，其逻辑步骤、运行时信号、物理执行决策和提示策略仍然是隐式的和特定于任务的，迫使后续任务从头开始启动工具搜索过程。然而，重复利用的潜力是巨大的。搜索到的Harness编码了重要的知识，例如有效的逻辑步骤、重要的信号、适应执行的物理操作员决策以及有效的提示策略，但这些知识被埋藏在命令式代码中，没有可检查或可重用的结构，也不携带任何出处或元数据。 Credo 通过恢复搜索到的Harness的结构化声明性描述、用相关元数据标记每个提取的基元以及对所有原始基元进行编目来解决此问题。然后，编译器可以绑定存储的基元来生成新任务的工具，而无需从头开始搜索。本文提供了初步结果，证明了我们的方法的潜力，并提出了数据库社区有能力解决的相关研究议程，包括声明性目录的基于成本的编译以及模型和工作负载漂移下的目录维护。