智能体状态语义：Session、Task 与 Execution Graph

智能体的本质是“可推进的状态机”，理解状态语义是构建 Agentic Runtime 的前提。

智能体的核心不是“执行”，而是“状态推进”

在 AI 原生时代，执行单元已从函数和容器转变为“携带状态、持续演化的智能体（Agent）”。理解智能体的状态语义（State Semantics，状态语义）是构建 Agentic Runtime 的基础，比模型、框架、Prompt 更为关键。

本节将构建一个可工程化、可实现、可推理的智能体状态模型，涵盖以下核心抽象：

Session（会话态，Session State）
Task（任务态，Task State）
State Progression（状态推进，State Progression）
Team（多智能体结构，Team）
Execution Graph / Task Graph（执行图/任务图，Execution Graph / Task Graph）
Planner / Worker / Evaluator（角色语义，Planner / Worker / Evaluator）

目标是为后续的运行时语义、治理模型和多智能体系统奠定统一抽象。

会话态（Session State）

会话态（Session State，Session State）是智能体运行时最小的连续性单位。它不是传统意义上的 HTTP Session，也不是聊天窗口，而是一种具备以下属性的运行态容器：

长生命周期（Long-lived）
可演化上下文（Evolving Context）
KV Cache 紧密绑定（Model-Driven State）
可被调度器暂停/恢复（Active / Idle）
可以承载多个 Task、工具、记忆、推理链路

Session 是 Agent 的主内存空间，不是业务意义上的“对话”，而是运行时意义上的连续执行状态机。

Session state 包含：

Context Snapshot（当前可见的上下文）
Inference State（KV cache、partial output）
Tool State（工具执行历史）
Interaction Trace（推理轨迹）
Task Queue（待执行任务）
Memory（短记忆 + 长记忆接口）

如果没有 Session，Agent 仅是“函数调用 + 模型响应的组合”，缺乏持续性与演化能力。

任务态（Task State）

任务态（Task State，Task State）是智能体执行模型的第二个核心抽象。Task 不是 API，也不是一个函数，而是一个可推进的过程（Process-like Entity，过程型实体）。

Task 的关键属性包括：

明确的目标（Goal）
状态机（State Machine：Waiting / Planning / Executing / Reviewing / Completed / Failed）
工具链路（Tool Chain）
Planner 输出计划
Worker 执行动作
Evaluator 检查结果

Task 的存在，使 Agent 具备“推进任务”的能力，而不仅仅是“生成一句话”。Task 也不是“对话轮次（Turn）”，而是一种 runtime-level 的执行对象，可以跨多轮推理、多次工具调用、多阶段输出。

状态推进（State Progression）

智能体的核心在于“如何从一个状态推进到下一个状态”。下面用一个最小推进循环说明状态演化过程：

模型在当前 Session 中推理出下一步意图（Plan）
运行时解析意图生成 Task Plan
执行工具（Action）或子任务
运行时采集执行结果进入 Session
Evaluator 判断是否需要继续
回到第 1 步，直到 Task 收敛

这一循环称为 Plan → Act → Observe → Evaluate → Next State。

传统软件是“函数调用 → 返回值”，而智能体执行是“状态推进 → 状态推进 → 状态推进”。因此，所有 Agentic Runtime 都需要：

Task State
Session State
Execution Trace
Evaluator
Tool Execution Gateway

缺乏状态推进机制的框架，难以称为完整的 Runtime。

Team：多智能体结构

团队结构（Team，Team）是智能体系统中的协作抽象。Team 并非“群聊”，而是一组具备不同角色或能力的 Agent，通过协作完成复杂任务。

Team 的本质特征包括：

角色分化（Role Specialization）
协作关系（协作模式而非函数调用）
治理能力（权限、审计、调度、隔离）
推理链路透明性（可观测）

Session 可以共享（Shared Session），也可以隔离（Detached Session），团队内有 Task Master / Planner / Worker / Evaluator 等角色，并拥有一个共享的 Task Graph。协作通过“状态推进”实现，而非 RPC 或事件总线。这与微服务之间的显式 API 调用完全不同。

Execution Graph / Task Graph（执行图）

执行图（Execution Graph / Task Graph，执行图/任务图）是智能体系统的“执行真相”，描述任务之间的依赖关系（DAG）、工具执行节点、模型推理节点、分支、合并、回溯（backtracking）、失败重试与恢复点。

下面是一个简化的 DAG 示例，用于说明智能体任务的结构化执行：

Task Graph 让 Agent 从“聊天机器人”变成“工作流执行体”，是 Agentic Runtime 的关键能力。没有 Task Graph 的系统，难以实现结构化智能体执行。

Planner / Worker / Evaluator（角色语义）

智能体系统中的三种角色不是工程模式，而是运行时的真实执行语义。下文分别介绍三者的职责：

Planner — 决定下一步做什么

读取 Session 状态
推理出下一步策略计划
输出 Task Plan（DAG fragment 或 Action）

Planner 决定系统的“智能性”。

Worker — 执行具体动作

工具调用
子任务执行
代码执行（通过 Sandbox）

Worker 决定系统的“行动能力”。

Evaluator — 判断是否结束

Evaluator 判断：

是否达到目标
是否需要重新规划
结果是否可信（Hallucination Check）
是否需要进一步执行

Evaluator 决定系统的“收敛能力”。

三者共同构成 Agent 的基本执行循环，实现智能体的持续演化。

总结

智能体的本质是“可推进的状态机”，而非一段 Prompt、一个聊天窗口、一个函数或一个微服务。它具备会话状态、任务状态、执行图结构、推理能力和工具行动能力，是长期运行的智能实体。

要构建 Agentic Runtime，必须先构建：

Session State（连续性）
Task State（目标推进）
Execution Graph（结构化执行）
Planner–Worker–Evaluator（角色语义）
Team（协作语义）
状态推进（核心循环）

这是 AI 运行时系统的最小语义闭环，也是下一代应用架构的根基。