新型AI智能体架构，解决LLM偏差和Token成本问题

如果你使用过AI智能体，你就会知道这个问题：你将庞大复杂的流程指令放入系统提示中，LLM最终会感到困惑，偏离计划，或者产生大量的Token费用。我们刚刚发布了新的开源仓库，**BotCircuits Agent**，通过从根本上改变智能体循环的工作方式来解决这个问题。我们实现了一种 **Workflow-native Agent Loop** 架构，将工作负载分离： * **确定性状态机运行器：** 处理所有流程导航和条件路由，**完全不使用LLM**。它严格按照设计执行逻辑。 * **有针对性的LLM执行：** 流程运行器在特定步骤暂停，并将控制权*严格*交给LLM智能体，以使用连接的Tools、Skills或MCPs执行单个动作。 * **循环：** 一旦工具动作完成，控制权立即交回给确定性运行器，以导航到下一步。 **为什么这很重要：** LLM只了解当前正在执行的动作。由于它不再需要消化和解释冗长的多步骤指令提示，您将获得两大好处： 1. **显著减少偏差（可预测性）：** 智能体无法偏离轨道，因为状态机控制着轨道。 2. **显著减少Token使用（更低的成本）：** 每一步更小的上下文窗口意味着更低的运行成本。 非常期待您的反馈或回答任何问题！GitHub仓库链接在评论中。