Agent Runtime / Tool Calling / Protocol

大模型需要学会如何表达自己

大模型现在很会说话,但还不太会向程序表达自己。

这听起来有点奇怪。大模型每天都在输出内容:回答问题、写代码、总结文档、调用工具。可一旦把它放进 Agent Runtime,让它持续执行一个任务,问题就露出来了:它的大部分输出仍然是面向人的聊天文本。

人能读懂,程序却很难稳定理解。

聊天文本能沟通,但很难直接驱动 Runtime 用户 提出任务 大模型 生成回答 assistant 文本 人能读懂 程序需要猜 状态、证据、下一步都混在自然语言里

Tool Call 让模型第一次有了程序接口

Agent 系统为什么需要 Tool Call?因为单靠聊天文本不够。

模型说“我需要搜索一下”,程序不能靠猜;它需要一个结构化的调用:工具名、参数、调用时机、返回结果。于是 Function Calling / Tool Calling 出现了。模型不再只说话,它开始能向 Runtime 发出可解析的动作。

这一步很重要。它让大模型第一次拥有了比较稳定的程序接口。

Tool Call 把“我要用工具”变成可解析的动作 大模型 选择动作 Tool Call name + args 结构化请求 搜索 读文件 运行测试

但 Tool Call 主要是在发送命令

Tool Call 解决的主要是“调用外部能力”的问题。它像一条命令:搜索、读取文件、运行测试、创建任务、发送请求。模型告诉程序“做这个”,程序执行,然后把结果还给模型。

整个程序仍然偏被动。Runtime 像一个工具箱,模型像主要调度者。任务做完没有标准结果,进度没有稳定结构,失败原因经常藏在一段自然语言里,证据、风险、下一步意图也常常靠程序从文本里硬猜。

这会把 Agent 系统推向一个脆弱的形态:什么都依赖模型说清楚,程序只能在旁边等。

只靠 Tool Call 时,Runtime 很容易退成被动工具箱 大模型 主要调度者 Runtime 等待命令 工具 A 工具 B 工具 C 状态、证据、路由仍然缺少统一表达

更关键的是让模型声明自己

更好的方向,是让模型学会向程序表达自己。

这里的重点可以从“发命令”挪到“声明状态”。模型不只是调用工具,还要在关键节点告诉 Runtime:我现在处于什么状态,完成了哪些步骤,结果是什么,有哪些证据,哪里失败了,是否需要用户确认,是否应该把结果交给另一个会话,是否需要创建新的子任务。

这些内容不适合只放在 assistant 文本里。人读 assistant 文本没问题,程序读起来成本很高。程序需要的是稳定字段、枚举值、引用关系、证据列表和下一步建议。

模型不只发命令,还要声明当前状态和下一步意图 大模型 声明自己 结构化表达 status: completed progress: 100 evidence: tests next: reply_parent confirm: false Runtime 识别并处理

ActionResult 是一个可落地的例子

比如一个任务结束时,模型可以输出一个 ActionResult:

{
  "status": "completed",
  "summary": "已完成登录页表单校验修复",
  "progress": 100,
  "evidence": [
    {
      "type": "test",
      "name": "login-form.test.ts",
      "result": "passed"
    },
    {
      "type": "file",
      "path": "src/pages/Login.tsx"
    }
  ],
  "next": {
    "type": "reply_parent",
    "message": "实现已完成,测试通过"
  },
  "requires_user_confirmation": false
}

这段内容的价值不在于 JSON 好看,而在于 Runtime 可以行动。

看到 completed,它可以关闭当前任务。看到 blocked,它可以把阻塞原因展示给用户。看到 requires_user_confirmation: true,它可以弹出确认框。看到 reply_parent,它可以把结果回传给父会话。看到证据列表,它可以把测试、文件、日志挂到 UI 上,而不是让用户在一大段文字里翻。

模型表达得越清楚,程序能做的事就越多。

ActionResult 让 Runtime 根据字段直接路由 ActionResult status / evidence / next 关闭任务 completed 请求确认 needs_confirmation 回复父会话 reply_parent

形式化不完美,也值得往前走

这和很多人尝试形式化语言的思路是相通的。大家都希望模型输出更稳定、更可检查、更容易被程序接住。只是过去很多尝试想一步到位:让模型完全按照某种形式语言工作,像编译器一样可靠。这个目标很难。大模型的生成机制决定了它不会天然变成确定性机器。

但这不等于这个方向没价值。

我们不需要一开始就追求完美形式化。先定义一套足够实用的协议,让模型在关键位置输出可检查的结构,就已经能改善 Agent Runtime 的可靠性。Tool Call 本身就是一个例子:它也不是完美的,但它把“模型想调用工具”这件事从自然语言里抽了出来,交给程序稳定处理。

下一步可以做同样的事:把“模型如何报告结果、表达进度、声明阻塞、请求确认、交接任务”也从自然语言里抽出来。

不追求一步到位,先把关键表达从自然语言里抽出来 自然语言 难解析 部分结构化 可校验 协议约束 可路由 训练强化 更稳定

最后要改变的是 Runtime 的分工

这套方案要做得好,不能只靠 prompt。模型需要被训练成习惯这种表达方式。它要知道什么时候输出状态,什么时候附证据,什么时候请求用户确认,什么时候把结果交给父任务。没有训练时,可以先借用 Tool Call 机制,把 ActionResult 做成一个工具,让模型通过工具调用来表达结果。

这会改变 Runtime 的分工。

模型负责判断、生成、归纳和声明。程序负责校验、路由、展示、确认、持久化和调度。两边各做擅长的事,Agent 系统才不会退化成“一个大模型带着一堆被动工具”。

大模型已经学会了和人聊天,也学会了调用工具。接下来,它需要学会向程序表达自己。

因为 Agent 不只是一次回答。Agent 是一段持续运行的过程。

而持续运行的系统,不能只靠聊天文本维持秩序。

协议把模型、Runtime 和用户的职责分开 模型 判断 / 生成 / 声明 协议 字段 / 枚举 / 证据 Runtime 路由 / 确认 / 持久化 用户 关键选择权 持续运行的 Agent 不再只靠聊天文本维持秩序