主要内容
分离逻辑与推理可提升AI代理可扩展性，通过解耦核心工作流与执行策略实现。Asari AI、MIT CSAIL和Caltech的研究团队提出新框架ENCOMPASS，解决生成式AI向生产级代理过渡的可靠性难题。该框架引入概率天使非确定性（PAN）编程模型，将代理“快乐路径”逻辑与推理策略（如束搜索、回溯）分离至独立运行时引擎。
传统开发中，大语言模型（LLM）本质随机，提示词可能重复失败。开发团队常通过复杂错误处理逻辑（循环、重试、分支）解决，但导致核心业务逻辑与不可预测性处理代码纠缠，引发维护问题。
当前代理编程混淆核心工作流逻辑（任务步骤）与推理策略（处理不确定性，如多草稿生成），导致代码脆弱。切换策略（如从简单采样到束搜索）需重构，实验成本高，团队常妥协次优策略。
ENCOMPASS通过“分支点”（branchpoint()）标记LLM调用位置，开发者仅编写“操作成功”的逻辑代码，运行时框架构建执行路径搜索树，实现“程序控制”代理。LLM仅执行特定子任务，可独立调整推理算法（深度优先搜索、蒙特卡洛树搜索等），无需修改底层业务逻辑。
该框架在企业环境中更具可预测性和可审计性。在Java-Python代码翻译代理中，ENCOMPASS无需修改底层逻辑即可添加搜索策略，避免传统状态机实现导致的逻辑模糊，为复杂工作流（如遗留系统迁移）提供可靠路径。