IDR 作为意图记录
摘要
作者反思如何用“实现决策记录”(IDRs)提升大语言模型代理的输出质量,指出有效的 IDR 必须围绕意图与决策展开,否则只是用英文复述代码差异。
暂无内容
查看缓存全文
缓存时间: 2026/10/13 21:58
# IDR 作为意图记录 来源:https://wrla.ch/log/2026/10/idrs-as-records-of-intent/ 2026 年 10 月 10 日 idrs (https://wrla.ch/tags/idrs.html)recurse (https://wrla.ch/tags/recurse.html) Beaver Pond 在《编写文档:2026 年版》(https://wrla.ch/log/2026/08/writing-the-docs-2026-edition/)中,我简单谈了一下 IDR (https://github.com/wlach/idr-tools)\(Implementation Decision Records,实施决策记录,是对早于 LLM 普及的“Architecture Decision Records”(架构决策记录)的双关用法\)\。回顾一下,我创建它们是为了实现两个目的:1. 让 LLM 产出更好的结果 2. 为功能实现过程中做出的决策提供持久的记录 我意识到,如果只给出一个模糊的提示,让 LLM 自行发挥,它往往只会用文字描述自己原本就打算实现的内容,以此填充一份 IDR\。[\[1\]](https://wrla.ch/log/2026/10/idrs-as-records-of-intent/#fn-idrs-as-records-of-intent-1)这使它们作为意图记录时丢失了相当多的信息\(基本上并不比 diff 好多少,甚至可以说更差\),而且我有些怀疑它们能在多大程度上改善 LLM 的输出\。充其量,它们或许能让你在写出太多代码之前,引导 LLM 朝着更好的结果前进\。一个很典型的例子是这份记录,当时我要求智能体更新 repo\-parser (https://github.com/wlach/repo-parser),使用 DuckDB 来存储中间表示:`` # DuckDB 序列化 负责人:Will Lachance <[email protected]> ## 概述 ### 问题陈述 repo-parser 将仓库中的元数据和结构提取到内存中的 `Resource` 树中,但这种临时表示必须为每个使用方重新创建。我们需要一种持久、可查询的序列化格式,让多个工具能够使用提取出的元数据,而无需重新扫描仓库。 ### 背景 ... `` 链接 (https://github.com/wlach/repo-parser/blob/main/idrs/202601030409-duckdb-serialization-and-interactive-ui-architecture.md) 这份问题陈述算不上糟糕,但也相当模糊\。我觉得,除了“以某种方式使用 duckdb”来替代另一种机制之外,它并没有真正给智能体提供什么目标\。我觉得结果还算可以,但也有点怀疑 IDR 在这个过程中是否有多大价值\。它显然无助于解释 repo\-parser 的 duckdb 输出究竟有什么用\(为仓库内容建立 BM25 搜索索引,或许还能用于 TUI 搜索工具\)\。而且这绝对不是我以后想重新阅读的东西,现在看着它我都觉得尴尬\。我越来越意识到,要让 IDR 真正有效,就必须不断回到**意图**以及为实现这一意图而做出的决策\。否则,它就只是用英语冗长地复述 diff\。下面这份让我满意得多:`` # 通过 GitHub Actions 发布到 PyPI 负责人:Will Lachance <[email protected]> ## 概述 ### 问题陈述 repo-parser 软件包目前只能手动发布到 PyPI,这很耗时、容易出错,而且安全性不如通过 GitHub Actions 发布。 ### 背景(按需填写) ### 目标 - 更方便地发布新版本 - 提高安全性 ### 非目标 - 自动递增版本号(仍需单独提交一次更改来递增版本号) ### 建议方案 按照官方打包指南,采用惯用的最佳实践来完成这项工作:https://packaging.python.org/en/latest/guides/publishing-package-distribution-releases-using-github-actions-ci-cd-workflows/ 总体而言,这意味着添加一个新的 GitHub 工作流,将上传到 PyPI 与发布新版本关联起来。 ## 其他参考资料(按需填写) - 官方指南 (https://packaging.python.org/en/latest/guides/publishing-package-distribution-releases-using-github-actions-ci-cd-workflows/) - Stamina 的实现 (https://github.com/hynek/stamina/blob/b25d4bc359ff603496aafbb217ab82c5a43715a6/.github/workflows/pypi-package.yml)(很可能是最佳实践) `` 链接 (https://github.com/wlach/repo-parser/blob/main/idrs/202512310404-publish-to-pypi-from-github-actions.md) 这份问题陈述描述了促使我想要动手改进的那个“痛点”\。目标、非目标和方案都简短有力,解释了最终结果,又没有深入实现细节\。当我以后回头查看一个仓库时,**这**才是我想看到的东西\。额外的好处是:使用 LLM 时,它提供了更清晰的约束\。每一句话都在引导它的行为朝着我真正想看到的结果前进,而不是给出一组它可能误解的指令\。如果我需要更多细节,直接看 diff 就行了\。1. 如果你让它们生成提交消息,却没有设置明确的约束,它们也会这么做↩︎ (https://wrla.ch/log/2026/10/idrs-as-records-of-intent/#fnref-idrs-as-records-of-intent-1) ---
相似文章
识别、分类、行动:面向外部数据的LLM逐指令受控合规机制
本文提出EDIC框架,通过逐指令的识别-分类-决策机制处理外部数据中的混合指令,利用SFT初始化与GRPO优化的生成式评判器实现指令级合规归因,在安全性与实用性上均优于现有防御方法。
何时深度思考:面向LLM推理的抑制性深思
IDPR是一个用于响应条件抑制性深思的框架,它首先生成快速的直观答案,然后使用一个抑制控制器来决定是否调用慢速推理,在保持准确性的同时实现效率提升。
OR-License:将 LLM 智能体作为真实世界运筹优化实践者的评估
OR-License 是一个端到端基准,评估 LLM 智能体能否直接从真实客户原始材料中解决运筹优化问题;结果显示部分模型目标质量很高,但没有一个达到专家级的可行性与部署调整后质量。
直接负责人(DRI)
本文阐述了苹果/GitLab提出的“直接负责人(DRI)”概念,并论证了基于大语言模型的智能体绝不应被视为DRI,因为它们无法承担责任。
DiagnosticIQ:基于符号规则评估大语言模型在工业维护行动推荐中表现的基准测试
本文介绍了 DiagnosticIQ,一个用于评估大语言模型将工业符号维护规则转化为可执行步骤能力的基准测试。研究指出,虽然前沿模型在标准任务上表现良好,但在结构扰动下会表现出脆弱性和模式匹配行为。