[控场AI]
· 4 分钟阅读· 2,486 字

Agent-Native编程语言Jac:为智能体应用而生的设计

Agent-Native编程语言Jac:为智能体应用而生的设计

Jac以Python超集统一LLM操作、状态与路由,大幅缩减智能体集成代码。

文章介绍了一种名为Agent-Native Programming的思路,通过Python超集语言Jac统一智能体应用中的三要素:LLM操作、工作流结构与状态、模型引导的路由。Jac提供三个核心构造:`by llm()` 负责带类型的模型调用与工具调用,Object-Spatial Programming负责工作流结构与状态,`visit ... by llm()` 负责模型引导的分派。关键设计在于把模型的路由选择直接映射为可执行的工作流步骤,使模型决策与程序执行之间形成显式连接,让编译器和运行时共享依赖分析基础。在五个基准、五个基线的对比中,Jac相对OpenAI SDK实现1.8-8.7倍的AI集成代码缩减,任务质量保持竞争力。案例研究表明推测执行与服务分区仅通过配置即可实现。作者认为该方向有价值,但生态兼容性、优化通用性与效果提升仍需验证。

构建智能体应用(Agentic Applications)往往需要将三样东西缝合在一起:大语言模型(LLM)操作、工作流结构与状态、以及模型引导的路由。开发者借助SDK和框架,用大量支撑代码把模型输入准备、状态传递和分派逻辑串联起来。这种做法的代价是:工作流一改,支撑代码就得跟着改,开发和测试负担陡增;执行逻辑分散在应用代码和框架内部,编译器难以看清控制流和状态依赖,自动优化无从谈起。

统一执行语义:Agent-Native编程的出发点

这篇工作提出了一种名为“Agent-Native Programming”的思路,用共享的执行语义统一上述三个组件。实现载体是Jac——一个Python超集语言。它通过三个核心构造完成整合:by llm() 负责带类型的模型操作与工具调用;Object-Spatial Programming(对象-空间编程)负责工作流结构与状态;visit ... by llm() 负责模型引导的路由。

Agent-Native by Design 论文页面示意

关键洞察在于路由构造的设计:模型的选择直接从可执行的工作流步骤中推导出来,选中后由语言调度执行。模型决策与程序执行之间因此有了显式连接,编译器和运行时得以共享同一套依赖分析基础,自动优化成为可能。

这种“语言原生”的设计与框架层方案形成鲜明对比。在传统SDK模式下,模型选了什么、调度到哪一步,这些信息部分隐藏在框架内部,部分由胶水代码隐式表达,编译器几乎无法推理。而Jac将路由决策“落实”为可执行步骤,等于把动态的模型行为半结构化,让静态分析有了抓手。

Object-Spatial Programming(对象-空间编程,OSP)是一种将程序状态建模为图结构的编程范式:对象(Object)作为节点,对象之间的引用关系构成“空间”,计算通过在空间中移动和遍历来推进。在智能体场景中,工作流的每个步骤可以表示为一个对象或对象上的方法,步骤之间的先后与依赖关系则体现为空间中的边。这种建模让状态传播不再是散落在代码里的变量赋值,而是显式的图遍历,因此编译器可以沿边分析数据流与控制流,识别哪些步骤之间存在真实依赖。Jac正是借助OSP把工作流结构与状态统一到语言层,使后续的依赖分析和自动优化有稳定的图模型作为基础。

by llm() 是Jac中触发大语言模型调用的核心构造,其特点是把调用声明为“带类型的”:开发者声明输入类型与期望输出类型(例如返回一个枚举或结构化对象),语言运行时负责构造提示、解析模型输出并校验类型。当输出类型是一个可执行工作流步骤的集合时,visit ... by llm() 会要求模型从这些候选项中做出选择,而不是自由生成任意文本。选中结果被打上类型标签后直接交给语言调度器执行,于是“模型决策”在语义上等价于一次受类型约束的分派。这种带类型约束的设计既降低了输出解析的脆弱性,也使编译器能够把模型调用视为具有确定签名和可能分支的节点,从而纳入依赖分析。

量化验证:五个基准与五个基线

作者在五个基准、五个基线上做了对比。相对OpenAI SDK,Jac在AI集成代码量上实现了1.8-8.7倍的缩减,同时任务质量保持竞争力,编码代理的开发工作量下降。

代码量的缩减幅度因场景而异,但方向一致:原本散落在各处的状态传播和步骤分派逻辑,被语言构造吸收,开发者更专注于工作流本身。开发工作量的下降也值得关注——它意味着修改工作流时,需要同步改动的支撑代码大幅减少。

任务质量“保持竞争力”这一表述是谨慎的,没有声称超越基线,说明评估中任务完成质量大致持平,收益主要来自工程效率而非模型效果提升。

两个案例:推测执行与服务分区

论文还展示了两个案例研究:推测执行(speculative execution)和服务分区(service partitioning),二者仅通过配置即可实现,依赖程序分析和运行时检查,在给定条件下保持工作流行为不变。

推测执行的含义是提前执行可能被选中的步骤,以降低延迟;服务分区则是把工作流中的不同步骤分布到不同服务上。传统方式下,这类优化需要改动业务代码或框架内部,而Jac通过编译器的依赖分析和运行时守卫,把它们变成了配置层面的操作。这正是“编译器可见性”带来的直接红利。

推测执行(speculative execution)原本是CPU流水线中的经典技术:在分支结果尚未确定时,提前执行最可能被选中的路径,若预测正确则节省等待时间,若预测错误则丢弃结果。在智能体工作流中,模型路由同样存在不确定性,Jac利用编译器的依赖分析识别出哪些后续步骤可能被选中,并在运行时用守卫(guard)记录副作用,从而在模型返回前预先执行、返回后再校验并提交或回滚。服务分区(service partitioning)则是指依据步骤间的数据依赖与调用频率,把工作流切分到不同进程或服务上部署,以减少跨服务通信。两者都要求程序的控制流与状态依赖对编译器透明,这正是语言原生设计相较框架层方案的结构性优势。

专业观察

这项工作的价值在于把智能体应用开发中的“胶水层”问题提升到了语言设计层面。当前主流的Agent框架——无论是基于Python的编排库还是各类SDK——本质上都是在通用语言之上叠加运行时约定,开发者仍然需要手写大量连接代码。Jac的思路是让语言本身理解“模型调用”和“模型路由”这两个一等公民,从而把优化空间交还给编译器和运行时。

潜在的局限也需指出:作为Python超集,Jac的采纳曲线取决于现有Python生态的兼容性和迁移成本;论文报告的优化案例依赖于特定条件,通用性有待更多验证;“任务质量保持竞争力”意味着短期内的主要卖点仍是开发效率而非效果突破。对正在构建复杂多步智能体工作流的团队而言,这种设计方向值得跟踪,但落地选型仍需结合自身技术栈评估。

#Agent-Native编程#Jac语言#智能体应用开发#LLM路由#Object-Spatial Programming#Python超集#AI工作流优化
分享:

相关推荐