Governed Agent：用确定性框架替代任务级模型微调

一个名为「Governed Agent」的开源项目在 Hacker News 上发布，主张用一套确定性框架替代针对特定任务的模型训练或微调。该项目展示了一种可复用的 Agent 模式：由编排器按固定步骤推进，LLM 本身「没有决策权」，只负责把自然语言请求中的字段抽取出来，所有判断与路由都由代码基于配置表完成，并写入哈希链式的不可篡改日志。

核心思路

项目作者将这种模式称为「Governed AI 架构」，核心要点包括：

• 把治理逻辑放在版本化的「配置 + 数据」制品中，LLM 作为无状态计算单元，只承担自然语言理解与分类这两项基础能力。
• 模型可替换——只要框架不变，换用更小、更中性的模型也能得到同样的确定性结果。
• 每一次回复都要经过代码校验才能被信任；任何错误的抽取都可能改变后续走向，但模型本身永远不选择最终结果。

作者将这一思路类比为「人通过考试后保持合规」：约束由人来定义，LLM 只被允许给出合规的响应；当规则把决策保留给人类时，系统会按「缺乏授权」而非「模型不确定」的理由确定性地路由到人工。

以变更管理为示例

为验证该架构的通用性，项目以 ITIL 变更管理作为示例场景，因为这类流程规则、角色、权限与结果都定义得非常明确。一次自由文本请求（例如「重启 SYS-SHARED-01」）会被依次走过身份、范围、权限、变更类型、风险、合同等步骤，最终落到五个确定性终态之一：

• auto_approve：自动批准
• route_client_approval：转交客户审批
• route_provider_escalation：升级到供应方
• route_human：转人工
• decline：拒绝

LLM 仅出现在两个「自由文本接缝」上——把请求中的标识符逐字抄出、把系统和变更标准匹配到固定词表。它从未被给予证据图像表，因此无法伪造证据，也永远不会选择最终结果。项目同时指出，机器本身并非「变更专用」，只是表的内容是。

工程实现与可信性

项目以一个可运行的小型 Agent 落地该架构，配置（步骤、表）与数据（请求、日志）分离，编排器在每轮构建一个受限提示。仓库提供离线校验：

• npm install 与 npm test 即可运行，无需任何 API Key。
• 测试会断言每个样例请求都落到预期终态，并验证每条请求日志的哈希链；篡改任意一行都会被检出。
• 文档中包含架构图、跨模型族运行方式、抽取模糊测试，以及自动生成的场景/终态/表/结果参考。

定位与边界

作者明确强调，这一方案并不取代人类，也不否定机器学习的价值。它针对的是「规则已经被充分定义」的多数业务场景，主张在很多情形下可以用配置 + 代码 + 通用 LLM 能力解决问题，而无需对模型再做任务级训练或微调。同时他也提醒：当 AI 放大业务影响时，框架本身的设计错误也会被一同放大，因此「人」需要承担的新职责，是为框架把关。