为什么每个 AI 智能体框架最终都会重新发明一个工作流引擎？

我总是反复想到这个分界点：智能体不再只是一个循环，而是开始成为一个必须在原始 Python 进程消失后仍能存续的流程。假设它已经检索了一些文档，调用了两个 API，并正在等待批准后再做出更改。如果工作进程消失了，“再运行一遍提示词”作为恢复策略就相当奇怪了。因为模型的下一次响应可能会选择不同的路径，而那些 API 可能已经执行了某些操作。到了这个阶段，我需要的是已完成工作的记录、持久化的等待状态、重试策略，以及恢复执行的方法。这是一组非常熟悉的工作流引擎需求。标题中的“每一个”是有分量的。一个短暂运行、只读的智能体可能不太需要这些机制。LangGraph 已经具备持久化和中断机制；Temporal 从持久化工作流出发；自定义的队列加数据库方案则可以实现一套范围更窄的约定。这些方案不能相互替代，但它们正在面对一些相同的问题。Diagrid Catalyst 让我感兴趣，因为它提供了另一种划定这条边界的方式：保留智能体框架，在其底层加入持久化执行能力。我不会把这理解为外部副作用就可以自动安全地重复执行。应用仍然必须定义什么才算同一个操作。我更倾向于让模型选择有用的下一步，同时明确记录执行过程和恢复规则。我不确定的部分是归属问题：智能体框架应该负责这一持久化生命周期，还是应该与一个也能运行普通非 AI 任务的执行系统集成？？？