来源笔记
New AI Agent Architecture to fix LLM deviations and token costs
摘要
BotCircuits 提出了一种代理设计：确定性工作流引擎控制多步流程，LLM 在每一步里负责推理和工具调用。这个摘录来自产品 README，所以只有架构和用法细节，没有基准证据。
问题
- 在长任务里，LLM 驱动的代理会偏离，因为模型同时决定做什么和如何路由流程。
- 多步自动化会消耗更多 token，因为模型在每一步都会重新评估控制流。
- 团队需要能通过 CLI、HTTP、聊天和定时任务运行的代理，同时还要让工具执行过程可见、可配置。
方法
- 工作流是放在
.botcircuits/workflows/下的 JSON 记录；经过构建步骤后，每个工作流都会变成一个可调用工具。 - LLM 执行每个
agentAction，而引擎遵循start、next和已编译的分支条件。 - 自然语言分支条件会编译成带运算符和值的
choices[]条目，flow.variables告诉运行时在分支前如何强制转换输入。 - 技能是磁盘上的文件夹，里面有
SKILL.md说明和可选的allowed-tools，这样就能在不改系统提示词的情况下增加可重复的行为。 - MCP 服务器、内置文件/ shell / code 工具、FastAPI 网关和消息通道扩展了代理可以执行操作的地方。
结果
- 没有提供 token 成本、任务成功率、延迟或偏离率的基准结果。
- 这里最具体的主张是架构层面的：条件构建完成后，运行时分支可以在不再调用 LLM 的情况下发生。
- README 显示支持 3 个 LLM 提供方：Anthropic、OpenAI 和 Gemini。
- 工作流编写至少支持 2 种步骤类型：
start和agentAction；分支使用conditions和next字段。 - 网关可以在一个 FastAPI 进程里路由至少 4 种通道类型：WhatsApp、Slack、通用 webhook 和 cron。
- 示例工作流有 11 个步骤：
step_1到step_10加上end，并通过end_id控制提前终止。