需要同样的结果，就读取已有产物。
结构化文档、清洗后的数据表、只读工具返回值，可以在相同条件下直接复用。
体验结果重放理解你的意图，
连接工具与执行。
自然语言是任务的起点。意图编译把目标转化为规划、工具调用与结果，
行为缓存则让走通的中间路径有机会被再次使用。
一句需求，如何成为一项任务？
从理解目标开始，结合执行中的反馈不断推进。
- 01
表达意图
描述目标，提供必要的本地上下文。
- 02
拆解任务
理解需求，形成可执行的步骤。
- 03
调用工具
操作应用，并根据反馈调整下一步。
- 04
交付结果
整合工具产出，完成任务。
行为缓存重复的步骤，
重复的步骤，
不必反复推理。
缓存的是任务中高频、稳定的一段路径。新的需求与变化的节点，仍由模型处理。
参数变了，就用已有路径重新执行。
填入新参数，重放工具调用与动作序列。修改文件、操作界面等写操作，必须重新执行。
体验动作重放在运行中积累从执行中，
从执行中，
留下可复用的部分。
我们探索在任务运行时记录轨迹，识别多次走通的共同路径。通过独立验证，再把结果、动作与环境条件一起保存。
- 01观察执行记录状态与动作
- 02发现共同路径识别高频、稳定的部分
- 03验证后复用持续校验、更新与淘汰
环境守卫走通过的路径，
走通过的路径，
也需要再次确认。
网页、接口和软件一直在变。复用前与重放中都要校验环境；一旦失配，就中断旧路径，由模型重新规划。
看看回退过程意图编译 · 行为缓存
想进一步了解？
展开查看意图编译与行为缓存背后的原理、实现和边界。
自然语言为什么能够成为任务入口语义理解、工具调用与多步规划如何连成执行路径。
语义理解与代码、动作生成相遇
早期自然语言编程依赖手工规则匹配，难以理解常识与补全隐含假设。大语言模型同时带来了对人类语义的理解能力，以及形式化代码与动作的生成能力。
Planning
多步规划与控制
拆解任务、调用外部工具，并根据环境反馈动态修正下一步。
MCP / Harness
工具调用与运行时
MCP 将工具调用标准化，Harness 工程支持模型在操作系统环境中执行动作。
Token cost
推理成本持续下降
Token 成本的下降，使意图编译能够进入更广泛的使用场景。
人类用自然语言表达意图，大模型作为编译器的核心进程完成理解、规划与工具编排，最终实现计算机的状态转移。传统程序语言则成为下游编译产物。
如何应对非确定性与推理成本用类型约束、意图细化与独立验证提高可控性。
非确定性与持续推理成本
源语言与编译进程的非确定性
自然语言存在歧义、缺省假设和指代不明；真实意图也会边执行边调整。模型输出本身具有概率性，长链条任务容易发生漂移。
每次执行都付出的推理成本
推理用参数模型对符号序列做概率预测；计算用确定的规则处理确定的输入。反复让模型从头推理，会持续为重复决策消耗 Token 与算力。
现有工程工作的三条路径
Type contract
语法与类型契约
将输出解析、校验为符合契约的结构，应对模型输出的不确定性。代表工作包括 Structured Outputs、TypeChat、Pydantic / Instructor、BAML。
Specification
细化模糊意图
将需求拆为可审阅的规格与中间文档。代表工作包括 Spec Kit、Kiro、OpenSpec、Tessl。
Verification
独立验证与轨迹观测
由外部验证器检查候选方案，记录推理、工具调用与返回结果，支持回放归因和回归测试。
规范产生的负担不会消失，只能转移。
模糊意图的补全与细化应交给大模型，人类对关键结果做确认与审计。在垂直领域建立轻量的领域中间表示，再由确定性编译系统完成底层执行转换，避免重型规范与死板格式约束的负担。
基础设施中的 KV Cache、提示词缓存、投机解码和语义缓存，已经在降低推理成本。行为缓存进一步关注任务路径：用计算与存储替代可以复用的推理过程。
行为缓存怎样复用中间路径区分结果复用与动作重放，只缓存稳定的中间路径。
状态转移路径中的可复用中间件
模型从初始意图 S₀ 到最终交付结果 Sₙ，在未知状态空间中寻找路径。行为缓存则发现流量大的路径，将高频且稳定的 A → B 转移固化下来。
这类似 JIT 的热代码编译：不要求整条任务从头到尾不变，也允许首尾继续保留模型的灵活理解，只在真正变化的地方保留模型推理。
结果即状态 · 缓存节点产物
保存结构化 Markdown 文件、清洗后的数据表或只读工具返回值。在相同条件下直接读取中间产物，从节点 A 到达节点 B。
路径即程序 · 缓存动作序列
当输入参数变化，或需要修改文件、操作界面时，固化工具调用顺序、代码脚本与动作序列，填入新参数后由确定性计算执行。
从预定义工具到运行时编译从提前封装工具，到运行时发现并编译热路径。
从运行前人工预判，到运行时动态编译
AOT 由开发者预判高频共性需求，提前将多步路径压缩并固化为接口。希望突破的方向，是在意图编译的运行过程中动态寻找热路径，由系统将其固化为行为缓存。
| 实践形态 | 固化对象与时机 | 命中后的推理与边界 |
|---|---|---|
| 提示词缓存 | 相同前缀的注意力中间状态；运行时自动复用 | 仍需逐词生成；适用于长提示词与多轮对话前缀 |
| 语义缓存 | 相似问题的最终文本答案；运行时复用 | 命中后不调用模型；限无状态、无副作用的纯问答 |
| Skill / MCP | 操作说明、常用脚本与工具通信协议；设计时编写 | 模型仍需阅读说明并推理编排 |
| 工具调用结果缓存 | 只读调用返回值或沙箱状态树；运行时复用 | 跳过工具执行，模型仍需编排；要求参数或沙箱前缀吻合 |
| 原语服务 | 通用多步操作与产出文件压缩为 API；设计时 AOT | 在该子任务段内减少推理；代表包括 Firecrawl / Context7 |
| 轨迹级行为缓存 | 参数化动作序列、状态产物与环境守卫；运行时 JIT | 守卫通过时确定性重放，越界才回退；面向高频、低方差的多步长尾任务 |
行为缓存需要哪些工程机制记录轨迹、发现共性、编译控制流，并校验执行条件。
行为缓存层的四项核心工程工作
Observe & mine
可观测性与热路径自动挖掘
将执行流记录为结构化的状态—动作调用树，通过流程挖掘和公共子图提取，发现高频走通的中间子路径。
Read / Write
区分结果重放与动作重放
只读段可以复用历史结果；写操作必须在真实环境中重新执行动作序列，不能用历史返回值代替本次写入。
Control flow
将组合与控制流一并编译
把多步工具的组合、循环与条件分支编译为确定性代码，只在真正需要语义判断的节点保留模型调用。
Lifecycle
动态校验、淘汰与安全回退
在环境变化时拦截失效路径，管理缓存有效期与容量，避免盲目重放和缓存库只增不减。
如何验证、更新与淘汰缓存入库前独立验证，运行中更新，失效后回退或淘汰。
从入库验证到持续淘汰
Trajectory
参数化轨迹
记录 A → B 的中间状态结果，或工具序列、代码骨架与动态参数槽位。
Guards
环境守卫
记录页面 DOM、屏幕视觉特征、接口版本、数据口径哈希等环境前提。
Validation & Fallback
复用判定与回退
在重放前与重放中比对环境；吻合时确定性执行，失配时立即中断并安全回退给模型重新规划。
Verify & Evict
入库验证与缓存淘汰
新轨迹在留出集上通过独立一致性测试后才能入库。入库后通过 TTL、LFU / LRU 与定期探针抽检，清理低频或失效缓存。
模型能力与外部工具的边界保留模型探索新任务的能力，让确定性工作高效执行。
外部工具与人工约束也有边界：如果遮蔽真实环境和反馈，可能妨碍模型能力的提升。工程优化需要保留模型在真实任务中学习与调整的空间。
模型能力演进与外部缓存的边界
在数据充足、反馈成本接近于零的领域，应通过学习、数据和算力提升模型能力。但“能够内化”不等于“高效执行”，确定性工作不必反复交给昂贵的模型推理。
工程优化并不假设模型能力停滞。让模型探索未知路径，再自动将探明的热路径编译为缓存；模型越强，能探通的长尾链条越深，能够沉淀的行为缓存也越丰富。
围绕智能工程的实践才刚刚开始，重要的是，在行动中解决问题。
查看端云协同架构跨应用任务与行为缓存的长期价值围绕真实任务，积累验证依据、私有上下文与可复用经验。
开发范式与商业化切入跨 App、长链条的
切入跨 App、长链条的
深度长尾需求。
标准化软件难以覆盖低频、跨软件、个性化的需求。意图编译让这些需求能通过自然语言交由 AI 实现，同时也将一次性开发成本转变为运行期持续付出的推理成本。
通过节点间的状态结果复用与动作轨迹重放，行为缓存负责压低持续推理成本，建立结构性的边际成本优势。
意图层粘性验证套件私有上下文行为缓存库