确定性任务的零模型加速路径
开源 Agent Harness resolve-harness 提出了一套“三层 Fast Path”确定性运行时机制。它通过架构设计，让适合由纯代码求解的任务绕过 LLM 调用，以毫秒级响应和零 token 调用完成处理。其核心主张是：能算的绝不调模型。该方案对上层编排（Planner / Specialist / Evaluator / Reporter）保持透明：任务树仍会渲染，只会额外标记为 zero-model。
关键机制包括：
- 内置匹配器层：正则识别加纯 Python 计算，命中后可直接返回结果。
- Codegen 层：模型生成检测器函数，经 AST 白名单沙箱验证后持久化复用。
- Promote 层：人工审阅候选检测器，并将稳定逻辑合并进源码库。
- 零模型调用：命中确定性路径的请求不调用模型，token 用量为 0。
- 安全机制：AST 节点白名单与属性黑名单，用于限制生成代码的执行能力。
三层 Fast Path 的设计权衡
该框架将 Agent 执行拆为确定性与不确定性两层：可控的确定性交给代码，可控之外的智能交给模型。内置匹配器可处理算术、进制转换、闰年判断、日期推算、单位换算等场景。例如，计算 255 的十六进制表示可以完全不调用模型。
Codegen 层则面向内置规则未覆盖的长尾需求：首次处理某类任务时，系统可调用模型生成检测器代码，再完成 AST 验证与文件写入；后续同类请求则可命中持久化插件，不再调用模型。这形成了“首次生成、后续复用”的路径，使部分长尾确定性逻辑能够沉淀为可复用资产。
不过，AST 验证解决的是执行安全问题，而不是业务正确性问题。一个语义错误的检测器仍可能通过 AST 白名单检查并被复用，因此人工审阅与 Promote 环节仍是保证结果可靠性的关键。项目还针对 eval、exec、format_map 等潜在逃逸入口设置了限制，并通过回归测试防止已知绕过路径再次出现。
| 层级 | 处理方式 | 安全保障 | 正确性保障 | 持久化形式 |
|---|---|---|---|---|
| 内置匹配器 | Python 代码直接计算 | 人工编写与测试 | 规则逻辑与测试 | 源码内嵌 |
| Codegen | 模型生成检测器函数 | AST 白名单沙箱 | 不做语义正确性验证 | data/fastpath_plugins/ |
| Promote | 人工审阅后晋升 | 代码审查确认 | 人工把关 | src/resolve_harness/generated_detectors.py |
PSE 编排与 Fast Path 的协同
resolve-harness 的任务模式采用 Planner → Specialist → Evaluator → Reporter 的四角色流水线。Planner 将目标拆成有序子任务；Specialist 在工具循环中执行任务，并支持并行 fan-out；Evaluator 返回 passed、score 和 feedback，未通过时可触发重规划；Reporter 汇总交付物。
Fast Path 位于 Specialist 的入口处，使符合条件的子任务可以跳过模型直接完成。 对编排层而言，这一过程无需额外适配。
端到端可以概括为三类路径：
- 「255 的十六进制是多少」→ 命中内置匹配器，零模型调用并直接返回。
- 「把订单按金额区间分组统计」→ 若无内置规则，可进入 Codegen，生成并保存检测器；后续同类请求可直接复用。
- 「分析上个季度营收为何下滑，并写复盘」→ 属于开放目标，Fast Path 让路，进入完整 PSE 流程。
落地建议
适合尝试的场景：
- 存在大量重复性结构化任务，例如固定格式的数据转换、指标计算或规则判断。
- 希望将常用逻辑沉淀为团队可复用代码，而非散落在聊天记录或临时提示词中。
- 多步骤任务中同时包含确定性计算与开放式分析，希望把前者优先交给代码处理。
需要谨慎评估的场景：
- 以生成式创作或开放式理解为核心的产品，Fast Path 可覆盖的范围相对有限。
- 对代码执行安全和结果正确性要求极高的场景，应结合自身威胁模型、测试与人工审核流程进行评估。
写在最后
确定性与不确定性任务分层处理，是 Agent 工程化的一种实用思路：让代码承担重复、可验证的计算，让模型处理需要判断和理解的开放问题。 Fast Path 的价值不只在于减少模型调用，也在于把领域中的稳定逻辑逐步沉淀为可复用资产。前提是，自动化能力越强，对安全验证和人工质量把关的要求也应越高。