Credo：面向 Agent 工作流的可复用声明式原语

arXiv:2608.27790v1 公告类型：new

摘要：一个 LLM 应用同时依赖 model 和 harness：后者是决定每次调用看到什么、进行多少次调用、以及信任哪些答案的程序。Coding agent 现在可以通过搜索候选程序来发现强大的 harness，但得到的产物是一团不透明的命令式代码块，其逻辑步骤、运行时信号、物理执行决策和 prompt 策略都是隐式的且任务相关的，导致后续任务不得不从头开始 harness 搜索过程。然而，复用的潜力是巨大的。一个经搜索得到的 harness 编码了大量知识，例如有效的逻辑步骤、重要的信号、自适应执行的物理算子决策、以及有效的 prompt 策略，但这些知识都埋藏在命令式代码中，没有可检查或可复用的结构，也不携带任何来源或元数据。Credo 通过以下方式解决这一问题：恢复经搜索的 harness 的结构化声明式描述，为每个提取出的原语标注相关元数据，并以来源信息将其全部编目。随后，编译器可以将存储的原语绑定起来，为新的任务生成 harness，而无需从头开始搜索。本文提供了初步结果，展示了我们方法的潜力，并勾勒出一个相关研究议程，database 社区在这些问题上具备得天独厚的优势，包括基于代价的声明式目录编译，以及应对 model 和 workload drift 的目录维护。