用有限状态机驯服AI代理：一种可治理的多智能体构建范式

在Agentic AI成为主流的2025年，真正的难题已不再是模型能力，而是如何让AI系统变得可预测、可审计、可控制。AI Engineer频道的Adam Charlson提出，将有限状态机与Actor模型、LLM结合，或许是一条被低估但极其务实的路径。

当Agentic AI走向失控风险，工程问题开始压过模型问题

这一切的出发点并不是“如何让AI更聪明”，而是“如何让AI更可控”。Adam Charlson在视频一开始就点出一个关键转折：到2025年，几乎所有人都在谈论Gartner排名第一的趋势——Agentic AI，也就是能够自主规划和执行的AI系统。但他立刻强调，排名第二的趋势同样重要，甚至更重要：AI治理平台。

原因很现实。随着大语言模型被赋予越来越多的自主权，真正的挑战不再是参数规模或推理能力，而是系统层面的可预测性、可观测性与控制力。Adam用一句极具概括性的判断点破问题本质：“挑战不仅仅是智能或模型性能，而是如何构建具备可预测性、可观测性和控制力的系统。”

他并不声称有限状态机（Finite State Machine， FSM）能解决AI伦理或法律问题，但提出了一个更工程化、也更落地的观点：状态机可能在“治理AI代理决策与行为的平台”中，扮演基础性角色。这种定位本身就很有意思——它不是替代LLM，而是约束和托底LLM。

从“石头剪刀布”到State Chart：为什么老技术反而更重要

为了避免抽象空谈，Adam选择了一个极其简单的例子来解释有限状态机：石头剪刀布游戏。一个FSM由五个核心要素构成：状态定义、状态转移、事件、守卫条件（guard）以及在转移中触发的动作与副作用。比如，在“出手”这一事件发生时，系统会先检查双方出招是否平局，如果是，就回到重新选择，否则进入结束流程。

他特意自嘲了一下技术洁癖者的吐槽：“这其实不是状态机，而是状态图（State Chart）。”State Chart是FSM的扩展，引入了层级状态和并行状态，这正是现实系统复杂性的来源。Adam承认自己在演讲中会混用这两个术语，但这并不影响核心思想。

真正重要的不是定义本身，而是这些结构化约束带来的工程价值。状态机是声明式的，你可以明确知道系统‘现在在哪’，‘为什么会到这里’，以及‘接下来可能去哪’。这为后续的审计、回放、测试乃至AI治理，提供了天然的抓手。

Actor + State Machine：为多智能体系统补上“执行模型”

仅有状态图还不足以构建完整应用，这是Adam明确指出的第一个技术短板。解决方案来自另一个经典模型：Actor模型。Actor不是“Agent”，而是一个通过消息传递进行交互的自治执行单元，它只有三种能力：收发消息、更新内部状态、创建新的Actor。

关键在于，Actor的内部行为，恰好可以用有限状态机来描述。两者结合，形成了一种既能并发执行、又保持封装与可维护性的架构。Adam给出了一个来自真实职业经验的评价：他在Best Buy工作的导师，在40多年的IT生涯中，“从未见过一个他不喜欢的有限状态机”。

原因在于FSM带来的工程优势几乎与LLM的弱点一一对应：它们是可预测的、可追踪和可审计的、可靠且可恢复的。通过事件日志回放，你甚至可以“回到过去”，在某个时间点分叉出新的执行历史。这种能力让Saga模式（用于分布式事务回滚）也变得可实现。

当然，Adam并没有回避代价：状态爆炸、并发处理、版本迁移、学习曲线，都是现实挑战。但这些挑战是显性的、可工程化解决的，而不是像模型幻觉那样不可控。

Agentic State Machines：让LLM负责“智能”，让状态机负责“秩序”

真正的高潮出现在Adam提出“Agentic State Machines”这一组合模式时。他直言不讳地对比：“这些状态机的优势，正是LLM所不具备的。”LLM不可预测、不可审计、不可靠，而状态机恰恰相反。

于是，一个清晰的分工出现了：Actor提供自治与通信，状态机提供结构和行为约束，LLM提供动态智能。在这个框架下，他依次演示了多个Agentic模式：

首先是工具使用（Tool Use）。LLM并不直接调用函数，而是返回“如何调用工具”的描述，系统执行后再将结果反馈给模型。这为人类介入提供了天然的检查点。Adam特别强调，人类审批并不是Agent专属能力，而是状态机“天生擅长”的控制结构。

接着是反馈与协作。通过引入“评论员Agent”，比如营养专家，对菜谱生成Agent进行反馈，系统可以在多轮中持续改进结果。再进一步，就是由多个专职Agent组成的协作流水线，每一步都由状态机明确治理。

最后，Adam展示了两个更激进的方向：Agentic Orchestration，让LLM决定下一个状态；以及他称之为“Agentic Chartering”的模式——由LLM直接生成完整的状态图，用于先规划、再执行。他用自己厌恶垃圾邮件的真实经历举例，展示模型在零样本条件下生成新流程的潜力。

总结

Adam Charlson最终给出的并不是一个炫技式的未来想象，而是一种工程信念：真正的“涌现”不会来自更像人脑的模型，而是来自更像乐高的系统组合方式。就像React、GitHub Actions或基础设施即代码一样，有限状态机这种“老技术”，可能正是未来70年构建Agentic Systems的地基。

关键词： 有限状态机， AI Agent， 多智能体系统， AI治理， 大语言模型

事实核查备注： 演讲者：Adam Charlson；频道：AI Engineer；核心技术：Finite State Machine、State Chart、Actor Model、Saga Pattern；趋势来源：Gartner 2025；示例工具：XState；涉及公司：Microsoft、Amazon；涉及产品：o1；关键判断：LLM不可预测、FSM可治理