面向大模型应用的可追溯语义模型

随着大语言模型应用日益复杂，越来越多的系统开始采用显式工作流来组织工具调用、检索、分支逻辑、检查点恢复以及人工审批等环节。现有工作流引擎已能在执行层面处理大部分工程问题，但在如何刻画工作流与知识的关系上仍缺乏统一视角。

该论文提出一种受 Lisp 启发但与编程语言无关的概念模型。作者将符号形式、对象标识和活体镜像等思想作为解释性视角，而非要求系统在工程上遵循这些范式，从而保持模型的抽象性与可讨论性。

在所提出的模型中，工作流定义、工作流实例、推理记录、上下文快照以及各类依赖关系都被统一表示为共享知识基底中的持久知识对象。这使得工作流不再只是产生知识并留下运行痕迹的过程，而本身也成为可被检查、恢复与审查的知识实体。

论文的核心语义区分在于 derive 与 infer 两类操作：derive 指依据当前已有状态进行的确定性计算，结果可复现；infer 则是在声明的上下文与执行方控制的能力策略下，由大模型做出的判断，带有非确定性与策略敏感性。这一区分使得系统的可审计性有更清晰的落点。

整体而言，论文给出了关于语义持久性的初步概念框架，强调工作流与知识之间的双向关系。不过作者也坦承，形式化的转移语义仍是未来工作，模型距离可直接落地的工程规范还有距离。

要点

• 把工作流定义、实例、推理记录、上下文快照与依赖关系统一视为持久知识对象，是该论文的核心主张。
• derive 与 infer 的区分让确定性计算与大模型推理在语义层面被分开管理，有助于审计与回放。
• 模型借鉴 Lisp 的符号形式与对象标识等思想，但本身并不绑定到具体实现语言。
• 论文定位为概念性工作，形式化的转移语义与可落地的工程规范被明确留给后续研究。
• 对构建可检查、可恢复、可审查的 LLM 应用工作流系统具有参考价值。