摘要：本文将 LLM 与 Agent 框架的关系重组为一条递进逻辑链：能力分工→逻辑关系→数据流→状态空间→证据边界→设计判断。能力分工层面，模型智能是学出来的参数化语义能力，框架智能是写进去的组织与控制能力。逻辑关系层面，LLM 是概率语义策略模块，框架是确定性控制与状态模块；前者提议“什么可能”，后者裁决“什么算数、什么发生、何时停止”。数据流层面，框架拥有并维系状态与数据流，LLM 是无状态语义变换器。状态空间层面，框架倾向于在可契约化的离散状态上收拢，LLM 倾向于在连续语义空间上发散；Agent 闭环表现为“收拢—发散”的反复交替。本文随后校准证据边界：现有研究支持一个弱化经验主张——在固定模型与任务族、控制 harness 规格的条件下，框架设计可显著影响 Agent 的性能与效率；效应大小依赖模型能力、任务长度与模型—框架交互，不能无条件断言框架比模型更重要。“框架收拢、LLM 发散”是功能角色层面的分析视角与设计隐喻，而非已证明的一阶因果命题。

关键词：LLM Agent；框架；状态空间；收拢与发散；上下文工程；框架效应

一、引言：递进逻辑与边界
Agent 研究长期以模型为中心：排行榜按模型名称排序，工程选型首先问“用哪个模型”。但 Agent 表现并非裸模型的属性。模型外部存在一层系统代码——框架或 harness——它决定模型看到什么、能做什么、何时停止、失败后如何恢复。近期对照研究提示，固定模型与任务时，仅改变 harness 就能产生可观的性能与效率差异；部分研究进一步主张，在长程任务且模型能力可比的前沿区间，harness 诱导的方差可以实质性超过模型诱导的方差。

这些发现值得认真对待，也容易被过度外推。本文不把框架与模型当作两个并列板块，而按递进链展开：先区分两种智能的能力分工，再说明两个功能角色的逻辑关系，然后从数据流给出操作化表述，继而抽象为状态空间上的“收拢—发散”视角，最后校准证据边界与设计含义。后一层以前一层为基础。

需要从一开始明确：“框架收拢、LLM 发散”是功能角色层面的观察框架，不是物理模块划分，也不是已证明的因果命题。按定义，框架职责包含约束与收敛，LLM 职责包含生成与提议，闭环自然表现为两者交替；这是分析命题，其价值在于提供观察词汇与设计焦点，不能直接推出“框架是比模型更强的一阶变量”。

二、能力分工：模型智能与框架智能
最直观的区别是：模型智能是 Agent 的“先天智商”，框架智能是“后天装备与工作方法论”。前者决定能力上限，后者决定能力能在现实中兑现多少。

模型是推理引擎，负责理解意图、逻辑推理与内容生成。它的智能是内在的、静态的，源于训练数据；它无状态，没有跨调用记忆，不能直接执行动作。可以说，它是一个知识渊博但只能“空想”的大脑。框架则是包裹在模型外部的工程代码与运行逻辑的总和：运行循环、工具调用、记忆管理、错误处理、终止条件、权限与预算。它的智能是外在的、动态的，目的是弥补模型缺陷，把“想”转化为“做”。

更精确地说：模型智能是“学出来的归纳偏置”，存在于参数空间；框架智能是“写进去的归纳偏置”，存在于代码与架构空间。前者是生成性智能，提供语义先验与泛化；后者是工程性智能，通过确定性代码和系统设计把概率性输出转化为可靠行动。模型高度可插拔，换模型不必改框架；框架则是系统级耦合，改工具集或记忆策略是系统级工程，但不影响模型本身。

二者不是简单相加，而是相乘关系：Agent 智能 ≈ 模型能力 × 框架带来的放大系数。这是启发式，不是定量公式。它表达的是：模型决定天赋有多高，框架决定天赋最终能兑现多少。但这一启发式不能被扩大为“框架无条件比模型更重要”；框架效应的大小依赖模型能力、任务长度与模型—框架交互。

三、逻辑关系：概率语义模块与确定性控制状态模块
若把 LLM 与框架视为两个模块，必须限定为功能角色模块，而非物理上排他的计算实体。LLM 可被约束解码收拢，框架也可调用语义模型做判断而发散；因此“两个模块”是功能分工，不是物理分离。

在此限定下，二者基础理念不同。LLM 是参数化的概率语义模块：它把上下文映射为 token 分布，提供语义先验、泛化能力和动作提议。它的“智能”是学习得到的、隐式的、连续的、概率性的、无状态的。框架是符号化的控制与状态模块：它提供状态机、工具契约、记忆、验证、循环和终止条件。它的“智能”不是学出来的，而是设计者固化的控制逻辑，是显式的、离散的、确定性的、有状态的。

由此得到二者的逻辑关系：

LLM 负责“什么可能”，框架负责“什么算数、什么发生、何时停止”。

LLM 是策略、生成器、提议者：给定状态，输出可能的下一步语义动作或计划。框架是控制器、解释器、裁决器、状态机：决定给 LLM 什么上下文、接受哪个动作、如何执行、如何验证、如何更新状态、失败后如何恢复。框架不替模型思考，它约束思考的搜索空间；模型不保证过程，它提供泛化到未定义情况的能力。

这一层可概括为：模型智能是内容智能，框架智能是过程智能/结构智能。LLM 处理语义不确定性，框架处理过程可靠性；LLM 把封闭问题泛化，框架把开放问题转成可执行、可验证的封闭流程。所谓“框架智能”，不是另一种模型智能，而是设计者智能的固化，是把模型智能置于可控计算结构中的组织智能。

四、数据流：框架维系数据，LLM 变换数据
逻辑关系落到数据流上，可得到更精确的二分：

LLM 是一个无状态的“上下文→token 分布”概率变换器；框架是一个有状态的“结构化状态→上下文→动作→观测→新状态”的数据流编排器与状态机。

LLM 处理语义流，框架管理控制流、状态流和契约流。二者边界是一个翻译层：框架组装上下文→LLM 输出文本→框架解析为结构化动作→执行→观测转回文本→回灌 LLM。

从数据形态看，LLM 输入 token 序列，输出 token 概率分布，是语义空间中的连续、概率性映射；它不直接产生“动作”，只产生“动作的语义表示”。框架处理状态对象、工具调用参数、返回值、错误码、记忆条目、终止标志等结构化数据，把语义输出解析、校验、序列化为可执行动作，再把执行结果反序列化回上下文。

从时序看，LLM 是请求—响应式单向短变换：给定上下文，输出分布，一次前向计算结束，不保留状态。框架是事件驱动的闭环长回路：状态存储→上下文构建→模型调用→输出解析→动作执行→观测写回→状态更新→下一轮。循环中包含分支、重试、超时、并行工具调用与人工中断。LLM 是回路中的一个变换节点，框架才是回路的拓扑结构。

从状态与持久性看，LLM 没有跨调用状态，它看到的全部世界就是本次上下文窗口；窗口外的一切对它是“不存在”的。框架是状态的唯一持久持有者：会话历史、工作记忆、长期记忆、工具结果、任务进度、失败计数、权限与预算。所谓“模型记住了”，准确表述是：框架在下一轮将相关历史数据重新编译进上下文。框架拥有持久数据，LLM 只拥有瞬时上下文；记忆不是模型记住了，而是框架把历史数据重新流入上下文。

从带宽与瓶颈看，LLM 的瓶颈是上下文窗口和注意力带宽；框架的瓶颈是状态管理、路由复杂度和工具契约可靠性。框架的核心数据流职责之一是上下文工程：从大状态空间中筛选、排序、压缩出一个小上下文喂给 LLM，再把 LLM 的小输出扩展为对大状态空间的操作。LLM 的上下文窗口是一个被框架按需填充的、有损的窄通道；框架拥有的状态空间远大于窗口，其核心智能体现在“从大状态中筛出小上下文”的压缩与路由策略上。

从不确定性看，LLM 输出概率性语义数据，天然带有歧义、幻觉和不稳定性；框架在数据流中插入确定性边界——schema 校验、工具参数检查、沙箱执行、结果验证、重试与回滚——把概率输出“闸门”成可审计的离散事件。框架不消除不确定性，而是把不确定性限制在模型节点内，让下游数据流保持契约化、可验证。

因此，“框架用于维系数据，LLM 负责变换数据”需两处精确化：第一，“维系”不只是保存，框架还决定哪些数据进入上下文、哪些留在外部存储、数据如何路由/校验/回灌/截断，它维系的是数据流拓扑、状态与契约。第二，“变换”不是任意变换，LLM 的变换是无状态、概率性、语义空间内的；它不直接变换框架状态，状态变换是框架解析、校验、执行 LLM 输出后发生的。最准确的一句话是：

框架是数据的所有者与数据流的编排者；LLM 是数据流中的无状态语义变换器。框架决定“什么数据在何时以何种形态流动”，LLM 决定“这段上下文在语义上意味着什么可能的下一步”。

五、状态空间：框架收拢，LLM 发散
数据流视角再抽象一层，就是状态空间视角。核心二分是：

框架倾向于在可契约化的离散状态上做收拢，LLM 倾向于在连续语义空间上做发散；Agent 闭环表现为两者的反复交替。

先澄清概念。框架的状态空间是符号化的：状态对象、工具参数 schema、错误码、预算计数、终止标志。它的维度有限、取值离散、转移规则写定。生产级框架的状态空间可能组合爆炸、实际无法手工穷举，但它是可结构化、可契约化、可验证的：设计者可为其定义合法状态、合法动作与合法转移的判定规则。必须区分四个概念：有限不等于可手工列举；可契约化不等于可枚举；可验证不等于离散。框架状态的核心特征不是天然有限，而是被设计施加了契约边界。

LLM 的语义空间是高维、组合开放的，在有限词表与有限长度下理论上有限，但实际不可穷举。它的能力来自开放性：能生成训练中未出现的组合，泛化到未定义情况。但需避免过强断言：LLM 的语义空间并非绝对不可契约化。约束解码、JSON mode、schema 生成、对齐训练都在施加契约。更准确的说法是：LLM 的原生输出模式是开放的、概率的、未契约化的；契约化通常由外部施加或由训练固化，而非其默认形态。可契约性是被设计施加的，不是自然类型差异。

在此澄清下，收拢指把开放语义输出映射进有限动作集并排除非法路径的操作：投影（自由文本解析为结构化动作）、约束（schema 校验、权限检查、预算上限）、收敛（终止条件、最大轮次、成功判据）、回滚（失败恢复到上一合法状态）。发散指在语义空间里生成可能性：给定状态，输出动作或文本的分布，覆盖多种下一步，提供泛化能力。

两个角色在闭环中交替：

LLM 在语义空间里发散出候选动作→框架在契约化空间里收拢为合法动作并执行→观测回灌，状态更新→下一轮发散。

发散负责覆盖未定义情况，收拢负责保证过程可靠。没有发散，框架只能处理预先枚举的情况，遇到新情境就僵死；没有收拢，LLM 的开放输出无法转化为可验证、可回滚的执行，闭环失去收敛保证。但需区分：最大轮次保证的是有限步终止，不是收敛到成功；强制截断是终止机制，不是收敛保证。闭环的收敛性、终止性与故障恢复是模型、框架、任务共同决定的系统属性，不能单独归给框架。

这一视角与 POMDP、控制论有词汇类比，但类比不等于证明。POMDP 中，LLM 近似策略分布，框架近似信念维护与观测管理；但对应并不整齐：LLM 输出 token 分布，经框架投影后才成为动作；POMDP 的信念状态通常是连续概率分布，框架维护的工程状态不等于信念状态；框架的终止判定与成功判据常依赖语义判断，不是纯有限状态机。控制论中，框架可类比为控制器，LLM 可类比为被治理的随机策略；但 LLM 不是有状态动力系统，闭环动态由模型、框架、任务共同决定，“控制器结构决定稳定性”是在特定动力系统假设下成立，这里没有给出系统方程，框架本身也含语义判断。因此，POMDP 与控制论提供的是启发性词汇类比，不能直接推出“框架方差超过模型方差”。

结语
综合全文，LLM 与框架的关系可沿一条递进链理解。

能力分工上，模型智能是学出来的参数化语义能力，框架智能是写进去的组织与控制能力；前者决定上限，后者决定兑现，二者相乘而非相加。逻辑关系上，LLM 是概率语义策略模块，框架是确定性控制与状态模块；LLM 提议“什么可能”，框架裁决“什么算数、什么发生、何时停止”；框架智能不是另一种模型智能，而是设计者智能的固化与组织智能。数据流上，框架拥有并维系状态与数据流拓扑，LLM 是无状态语义变换器；框架决定什么数据在何时以何种形态流动，LLM 决定这段上下文在语义上意味着什么可能的下一步。状态空间上，框架倾向于在可契约化的离散状态上做收拢——投影、约束、收敛、回滚；LLM 倾向于在连续语义空间上做发散——生成、提议、泛化；Agent 闭环是两者的反复交替。

这一视角的经验价值在于提示一个值得测量的变量：在固定模型与任务族、控制 harness 规格的条件下，框架设计可显著影响 Agent 的性能与效率；效应大小依赖模型能力、任务长度与模型—框架交互。其边界在于：框架也做语义判断，LLM 也受约束收拢，可契约性是被设计施加的而非自然类型差异；POMDP 与控制论提供的是词汇类比，不是严格形式化；现有证据主要来自编码 Agent，外推需谨慎。因此，更稳妥的结论不是“框架是真正的分水岭”，而是：当前沿模型的语义能力趋于可比时，框架设计值得被当作独立变量来测量、报告与理论化；但它是否构成一阶因果变量，取决于独立操作化、方差分解与交互分析，而非取决于一个定义性的“收拢—发散”隐喻。