摘要
大模型的出现催生了一种端到端主张：智能体的一切行为------包括记忆、推理与工具使用------均可由模型在上下文中实时生成，无需显式的持久结构。本文从计算理论视角，为相反的论点------基础模型应被视为"驱动电力"，而智能体框架是使该电力稳定做功的"实体机械"------提供分析。通过将两种范式建模为不同结构假设下的序列决策过程，我们给出三条核心定理：在长周期、多任务交互中，解耦架构（显式复用记忆、工具与安全模块）相比纯上下文驱动架构，在可靠安全边界、知识累积效率和计算与样本复杂性上均展现出理论优势。这些优势不是来自定义偏袒，而是源于有状态复用对组合复杂性的根本抑制。据此，我们提出"电力--机械"架构的设计原则，将大模型视为提供泛化推理的先验，将可复用框架视为吸收不确定性、累积进步的刚性机械，两者通过最少接口解耦，实现可验证、可累积、可演进的智能。
关键词：智能体架构；复用；大模型；计算学习理论；可靠性；算法信息论
1 引言
文明因复用而累积。软件工程亦以模块化、微服务与抽象沉淀这一哲学。然而在大型语言模型（LLM）展现出强大上下文学习能力后，一种"全生成"叙事兴起：智能体的记忆结构、推理逻辑乃至工具调用，都可以由模型在每次交互中按需生成，似乎持久化的手写模块已无必要。
本文无意重复工程直觉，而是直面一个基础问题：在长寿命、需持续可靠和进步的智能体构建中，是否必须引入外显的可复用框架？我们在此前工作中提出的"大模型是驱动电力，智能体框架是实体机械"比喻，可形式化为两种架构假设的对比：
纯上下文驱动：智能体仅由预训练权重和当前上下文窗口定义，所有记忆、策略与约束均隐式表达于参数或临时上下文内，跨会话不保留任何外部持久状态。
解耦框架化：系统由基础模型（提供推理"电力"）与可复用框架（提供持久记忆、结构化工具、规划模式与安全护栏的"机械"）构成。框架组件跨会话持久存在，可组合、可进化。
需注意，纯上下文驱动并非无能：它可以在上下文内写下"笔记"，也能通过提示工程调用工具。它与解耦架构的唯一区别在于：它拒绝将任何结构显式固化为独立于当前会话的持久软件模块。本文的核心命题是：若智能体的目标是长期可靠、高效和持续进步，则解耦复用框架在理论上是必然之选。我们将通过可靠性理论、算法信息论与统计学习理论中的界定性结果来证实这一点，而这些证明将小心规避定义性乞题和不实假设。
2 形式化设置
我们定义一个智能体在离散时间步上与环境交互，时间步从1开始依次递增。在每一步，智能体接收一个观察，并输出一个动作。考虑的评测尺度包括：安全约束满足、跨任务知识积累、交互效率。
定义1（纯上下文智能体）
纯上下文智能体完全由基础模型参数和当前上下文窗口参数化。上下文窗口包含当前会话的历史以及任何模型在运行中生成的"临时结构"（如思维链）。系统无跨会话持久的外部存储：会话结束则上下文窗口被清空。其策略为：给定模型参数、当前观察和上下文窗口，生成动作的条件概率分布。知识积累只能通过模型参数更新（微调）实现，但这将改变模型本身，带来灾难性遗忘风险，且无法按任务模块化组合。
定义2（解耦框架智能体）
解耦框架智能体由模型参数和可复用框架构成。该框架包含四个持久组件：持久记忆模块、抽象工具接口、可组合的规划与推理原语，以及显式安全护栏。框架跨会话持久存在，其组件可被单独读写、改进和共享。动作生成的方式是将模型作为"电力"注入框架的"机械"之中，由框架结合观察与模型推理能力输出动作。
两种范式的比较是公平的：两者都能使用大模型，都能阅读上下文，都允许参数微调。真正不同的是对持久可复用状态的处理------一方将其融化在模型或会话的瞬间中，另一方则将其冷凝为显式、可组合的模块。
3 可靠性与安全：统计可能 vs. 结构保证
安全关键系统要求某些不变式被绝对遵守，如"不得在未确认时执行金融交易"。在纯上下文架构中，不变式的遵守完全依赖模型在上下文窗口中输出合规动作，任何检查都只是另一段文本，没有外部强制力。
定理1（安全保证的复杂性分离）
考虑满足不变式所需的动作过滤。定义一个误差容忍度为ε的安全策略，其目标是将违反不变式的概率控制在ε以下。对于解耦框架，可通过在动作通路上插入显式检查模块，使违例概率降至零（假设检查模块本身完美）。对于纯上下文架构，若仅依靠模型本身的采样来遵守不变式，则存在一系列环境，使得为了实现误差容忍度不超过ε的安全水平，所需的上下文长度或模型容量至少随ε的倒数呈指数增长。换言之，在固定有限上下文和模型容量下，纯上下文方法无法提供任意高的安全保证，而解耦架构的独立验证通道可以。
证明思路：将环境构造为一个产生稀疏危险提示的序列决策问题。模型必须从上下文中记住安全规则并压制某些输出分布。这等价于用Transformer模拟一个确定性自动机；已有理论表明，Transformer模拟某些自动机可能需要指数级的相关性长度。而显式检查模块绕过了该模拟需求，直接以硬编码逻辑执行检查。详细构造基于Li等人（2024）的表示能力下界。
这一结果并不声称纯上下文"必然"失败，而是揭示了其提供强保证所需的资源可能不可承受。软件工程中同样将关键防护从业务逻辑中解耦，这正是复用的逻辑依据。
4 知识累积：摊销描述与进化能力
智能体的长远价值在于：任务重复时更高效，遇到新问题时能组合已有知识。我们用算法信息论来考察知识累积的成本。
定理2（知识复用的描述优势）
设存在一组可复用认知原语（如"读取记忆"、"调用计算器"、"应用规划模板"），这些原语可通过少量符号调用。对于任务分布，解耦框架通过调用这些原语，每次解决新任务只需在持久记忆中存储紧凑的组合指令，其增量描述成本为常数级别。纯上下文架构由于无持久存储，每次遇到相似任务需在上下文中重新生成全部相关指导逻辑（如长提示或完整的推理轨迹），其平均描述成本的下界至少与基本原语集的柯氏复杂度（算法信息复杂度）成正比。这导致在交互步数趋于无穷时，纯上下文的总描述成本呈线性增长，而解耦架构增长至多为对数级（摊销后）。
注意：此处不比较绝对描述长度------大模型内部已然拥有原语集的隐式表示。我们比较的是在已给定强大先验的条件下，每完成一个任务所需额外输入（上下文）的信息量。纯上下文必须在有限窗口内将隐式知识显式化成生成文本，这消耗了窗口预算，而解耦架构将一次显式化凝结为持久模块并无限重用。因此，复用框架实质上是对"思考过程"的信息经济：避免重复发明轮子，哪怕是以生成文本的形式。
5 泛化与效率：PAC-Bayes界与遗憾
考虑一个长寿命智能体面对一连串任务。我们希望它能从经验中学习，降低未来错误。
定理3（泛化与遗憾的优势）
在任务序列场景下，解耦架构可利用持久记忆存储高价值经验，并通过参数高效微调（如适配器）更新少量框架参数，其维度远小于整个模型的参数维度。在PAC-Bayes框架下，基于多个交互数据点，解耦架构适配新任务的泛化误差界为：经验误差加上一个与适配参数维度的对数和样本量之商的平方根同阶的项。由于适配参数维度很小，这一界远优于全模型微调或纯上下文无结构积累的情形。纯上下文架构若拒绝持久模块，只能依赖上下文窗口内的示例进行上下文学习。已有理论表明，上下文学习可以被视为在隐式元参数上的一个受限优化过程，其等效复杂度与上下文长度直接相关，并且会受到窗口截断和干扰的影响。在需要跨数百个任务积累时，这种瞬态学习导致期望遗憾无法达到随任务数对数增长的水平，而典型下界至少是任务数平方根的量级；解耦架构则可通过记忆重用和策略缓存，实现对数级的累积遗憾。
这一结果可理解为：复用框架为知识"建了缓存"。大模型是通用推理引擎，但其上下文工作记忆昂贵且挥发性；将推理结果结晶为持久、可检索的符号结构，是将计算成本从"每次推理"摊销到"一次构建"的经济活动。
6 "电力--机械"架构的设计原则
以上分析将比喻提炼为具有理论根基的设计准则：
分离性与标准接口：基础模型仅作为概率推理"电源"，通过文本、嵌入或工具调用接口为框架供电。模型可替换，机械可独立进化。
显式状态与可复用记忆：所有累积知识、用户偏好、已验证的轨迹必须栖身于持久模块，而非散落在对话历史中。
组合式原语：复杂能力由少数可靠的工具、规划模式与记忆操作组合构成。新任务通过编排现有原语实现，而非每事从头生成。
防护作为结构件：安全约束由独立可验证的模块实现，置于动作通路上，提供逻辑保证而非统计希望。
这些原则共同使智能体成为一台持续积攒扭矩的引擎，而非每次交互后消散的沙堡。
7 结语
我们证明了，在大模型时代，复用哲学并未失效：只有将通用推理能力导入稳定、可组合的机械结构中，才能获得可靠的、可累积的、可演进的智能。这不是对生成式模型的否定，而是对其效用的最大化------正如电力只有在被马达和电路组织起来后，才推动文明持续向前。当模型成为无处不在的电力，真正决定智能疆界的，是我们塑造机械的智慧。