控制层与方向层对比：OpenProse、NL Agent与AGE评测

起点

AI代理的输出始终不可靠，如何应对？OpenProse、Natural-Language Agent Harnesses（NLAHs）与Attractor-Guided Engineering（AGE）各自从不同角度切入这一难题。

前两者的答案落在控制层：OpenProse通过确定性runtime精准维护目标；NLAHs借助自然语言文档使harness策略可审计。而AGE则追问一个更根本的问题——在控制之前，我们应当维护什么样的结构？

若方向层缺失，即便runtime再优秀、harness再清晰，也只会让整个结构漂移得更顺畅。

OpenProse从运行时抽象入手——设计合约语言与运行引擎，使AI代理能够长期维持“持续为真”的目标。

NLAHs从表示媒介切入——将agent harness策略从混乱的controller code中剥离，外化为可编辑的自然语言文档，由共享运行时IHR解释执行。

AGE从工程过程出发——设计文档-流程体系，让人类与AI协作时，系统持续向稳定结构收敛。

几个问题便能看出差异：OpenProse追问——如何让一个目标保持不变；NLAHs追问——如何让一次agent run按可审查策略执行；AGE追问——系统被推偏后，为何还能回到正确方向？

Fixed Point ≠ Attractor

OpenProse与AGE的核心抽象对应不同的数学对象，需稍作拆解。

不动点（Fixed Point）：f(x) = x。系统置于该点即静止。判定条件是严格的等式。不动点可以是稳定的（邻近点向它收敛），也可以是不稳定的（邻近点远离它）。不动点不蕴含吸引域（basin of attraction）的概念。

吸引子（Attractor）：一个集合（点、极限环、奇怪吸引子），使周围区域（吸引域，basin of attraction）内的所有初始状态随时间演化向其收敛。关键性质不是“搁置不动”，而是“从附近出发会被拉回”。吸引子不必是一个点，可以是流形。系统无需精确到达——只要在basin内，轨迹便正向收敛。

OpenProse的指纹比对 fingerprint == fingerprint 是典型的不动点检测：输出与之前一致即认为不动。

AGE所言“系统向稳定结构收敛”，应理解为吸引子判据：系统无需精确达到理想状态，只要控制机制持续将其拉回稳定结构附近即可。

一是状态判定——“到了没有”；二是过程判定——“方向对不对”。

Control Target ≠ Attractor：本体论区别

除收敛机制（不动点 vs 吸引子）外，还存在更深的本体论差异：控制目标 vs 吸引子。

控制目标（Control Target）

控制框架建立后，定义“控制应朝向哪里”。它假设控制框架已存在，执行者按指令行动，偏离时通过重新执行指令来纠正。控制目标是外部强加的specification，驱动执行者符合它。

数学吸引子（Attractor）

吸引子由系统自身动力学产生——周围区域内所有初始状态随时间演化向其收敛。关键性质：它是涌现的——由系统动力学定义，非外部强加指令；扰动-恢复——推离后动力学会拉回；系统无需“知晓”它——水无需知道洛伦兹吸引子，自然按它运动；它是方程定义的流形——不枚举每个正确状态，只定义约束关系。吸引子为控制提供最终因（final cause）。它在控制之前，不在控制之内。

打个比方

操作手册告诉工人如何组装零件。工人按手册操作，偏离时对照手册纠正。手册是控制目标——需要工人“知晓”并主动执行。

重力井是吸引子——无论怎样推物体，物体的动力学自然将其拉回。物体无需“知晓”重力井的存在。

OpenProse 和 NLAHs 的不变量都是控制目标

OpenProse的Responsibility（Goal/Maintains/Continuity）是外部定义的specification。运行时通过指纹比对检测偏离，偏离即重新render。这是控制目标 + 确定性执行。收敛靠runtime强制重新执行specification。

NLAHs的harness pattern（contract + stages + state / validation / recovery / stopping rules）告诉IHR应如何组织一次task run。IHR非硬编码控制器，而是用runtime policy解释NLAH，将条款落实为child-agent calls、state updates、validation gates和artifact contracts。若agent偏离，起作用的是validation / recovery / stopping rules等控制目标，而非系统动力学自然收敛。“behavior is flexible but still policy-guided”非吸引子语义，而是运行时语义约束下的弹性执行。

AGE 的 owner-doc 体系在类比意义上具备吸引子性质

1. 扰动-恢复动态：AI改代码（扰动）→ test/audit发现偏离 → 修正 → 系统回到结构附近。跨会话的扰动-检测-纠正循环构成收敛动力学。
2. 隐式定义的流形：docs/architecture/ 非枚举每个正确状态，而是定义约束方程。满足约束的状态构成流形，局部实现多样，整体被拉向同一类结构。
3. 跨会话涌现：上百次commit、几十个plan、多次审计叠加后的长期收敛——这是“系统行为”，非“某次执行”。

AGE的恢复同样依赖文档作为真值源。区别不只在粒度和时间尺度，而是约束对象不同：控制层指令约束一次执行如何完成；方向层约束未来所有执行结果允许落入的结构区域。

机制层的结构性平行

三个体系的机制层存在结构性平行：

机制槽位相似，但语义不同。此表仅说明三者均为控制系统，不说明它们控制同一类对象。OpenProse和NLAHs使一次执行更可控；AGE判断这些执行累积后是否仍指向同一长期结构。

差异不在机制层，而在机制层之上是否存在方向层。OpenProse的Responsibility和NLAHs的NLAH均为自包含的specification——它们定义了自己的完成条件（指纹相等 / contract满足），无需外部引用“系统应向什么结构收敛”。AGE也有完成条件（CI gates、audit通过），但owner docs的不可替代作用是：当局部完成条件与长期结构方向冲突时，提供裁决依据。CI可判定某次import是否通过；owner-doc决定为何flux-react不能反向依赖renderer包。前者是控制门，后者是方向层。

这就是方向层 vs 控制层的区别：非机制不同，而是控制之上是否有独立、持久的目标结构为所有控制提供最终因。

三者的本体论位置

三者的关系非层次关系（project-level attractor ⊃ run-level attractor），而是本体论差异：

方向层（Attractor）——AGE: owner-doc 定义的长期收敛结构
↑ 为控制提供最终因
│
控制层（Control Target）——NLAHs/OpenProse: specification + runtime 执行
↑ 控制机制的实现
│
机制层（Mechanism）——IHR/reactor/CI: 具体的检测、执行、恢复

AGE文章的核心论点正是：方向层先于控制层。 未定义“朝哪里收敛”，控制机制便无统一意义。NLAHs和OpenProse均在控制层创新——NLAHs用NL提高策略可审计性和可移植性，OpenProse用确定性runtime提高执行精确性和成本效率。但它们均无法回答方向层问题：系统应向什么结构长期收敛？ 一个可证伪的表述是：若移除AGE的owner-doc优先级链、日志和bug蒸馏后，系统仍能在长期重构中保持同等架构方向，则AGE的方向层主张多余。

三个体系的前提假设

OpenProse：会话终将结束，责任不应随之消失

OpenProse的核心隐喻源自React。它将AI代理的每次执行建模为一次render。

三个关键假设：

1. AI的价值在于bounded render——有限、可审计的单次推理
2. 持续性的来源非会话，而是world-model的持久状态和receipt链
3. 成本与“意外”成正比，与时间无关——若无变化，render不执行

这是runtime-first的世界观：先定义“什么在运行时保持为真”，再考虑工程过程。

NLAHs：策略不应埋在代码里

NLAHs（Natural-Language Agent Harnesses）的核心隐喻来自可编辑的策略文档。NLAH+IHR体系将agent harness拆成四层栈。

三个关键假设：

1. Harness策略可从tangled controller code中分离，用可编辑的自然语言表达
2. NL携带策略，code携带机制——精确操作留在代码里，可检查的策略留在NL里
3. 共享runtime（IHR）可为不同NLAH提供统一执行基底

这是representation-first的世界观：策略的表示媒介决定了可审查性、可移植性和可分析性。

AGE：先定义系统要回到哪里，再讨论怎么回去

AGE的核心隐喻来自动力系统理论。

三个关键假设：

1. AI是结构上不同于人类的扰动源——高频、高振幅、无持续方向感
2. Attractor必须先于harness存在——“朝哪里纠正”先于“如何纠正”
3. 文档是attractor的载体，代码是attractor的瞬时投影——两者均非attractor本身

这是process-first的世界观：先定义“系统应向什么结构收敛”，再设计运行时行为。

分歧一览

核心抽象对比

最小原语

OpenProse的Responsibility是一个自包含的计算单元，有明确的输入边界（Requires）、输出边界（Maintains）、目标（Goal）和连续性约束（Continuity）。执行产生一个receipt——内容寻址、链式可验证的决策证明。

NLAHs的NLAH文档是一个可编辑的策略描述，定义了task run的lifecycle policy：contract、stages、roles、state rules、verification rules、recovery rules和stopping conditions。NLAH并非“告诉模型怎么回答”，而是“告诉runtime如何组织一次多步执行”。

IHR的执行语义不是将NLAH编译成代码，也不是让agent读完文档后自由发挥。它用固定runtime-policy prompt将base agent变成parent orchestrator：parent读取NLAH，将contract、stages、state rules、validation rules、recovery rules和stopping conditions落实为child-agent task packets、handoff、状态文件、artifact gates和completion checks。阶段内部仍由child agent智能执行；测试、parser、validator、benchmark adapter等精确操作由scripts/adapters承担。

AGE的Attractor不是一个对象，而是一个结构性质，由三层组成：

• 结构层：少量高层不变量（如包依赖方向 flux-core → … → flux-renderers、七种原语闭集、编译优先管道）
• 载体层：承载这些不变量的可审计文档（docs/architecture/）
• 实现层：当前代码中体现这些不变量的部分

Responsibility和NLAH都是实例——你可以数出“这个项目有23个responsibility”或“这个benchmark有1个NLAH”。Attractor是一个性质——你不能数出“这个项目有5个attractor”，它更像“这个系统的吸引子是一个低维流形”。

三个体系都有将AI行动收束成可关闭单元的机制：OpenProse的render、NLAHs的task run、AGE的plan。Render的闭包由输入指纹、postcondition和receipt决定；task run的闭包由NLAH的task contract、validation rules、artifact contracts和stopping conditions决定；plan的闭包由Plan Status、Current Baseline、Goals、Non-Goals、execution/proof checklist、Closure Gates和独立closure audit决定。

Plan并非待办列表，而是一次重大变更能否关闭的证据结构：先核对当前基线，限定目标与非目标，执行中逐项证明，最后由独立审计确认scope内事项已完成或被诚实移出。它与owner-doc的关系也非每次修改文档，而是用owner-doc判断当前变更的边界和关闭条件；只有当变更改变live baseline、public contract或owner behavior时，closure才要求同步文档。

NLAH和AGE plan在机制形态上接近：都用自然语言定义contract、阶段、证据和停止条件，都反对仅靠agent自述完成。但两者关闭的对象不同：NLAH关闭的是一次run，证明执行轨迹满足harness policy；plan关闭的是一次变更，证明当前scope的结果、证据和文本状态都足以被独立审计接受。

状态模型

技术实现对比

OpenProse是严格的两阶段架构：编译期用LLM产生确定性工件（Forme DAG、canonicalizer、postcondition validators），运行期从不调用LLM，所有决策均为确定性。AGE没有“编译一次然后运行”的分离，验证持续嵌入在每次变更中——typecheck → build → lint → test → 审计 → 日志，永远在验证方向。NLAHs处于两者之间：NL policy与确定性hooks分离，但IHR运行时依赖LLM解释策略。

AGE明确识别了自验证陷阱：AI从同一上下文生成代码和所有评判材料（类型、测试、文档、完成总结），若理解偏差，所有“验证证据”会朝同一方向偏离。对策是强制生成和评判分离——闭包审计必须由新上下文执行。OpenProse通过编译期冻结确定性函数绕过同一问题。NLAHs在论文评估场景中靠benchmark autograder规避，但在生产部署中同样需要外部验证机制避免自验证陷阱。

对“一致性”的理解——三种语义

这是三个体系最深层的分歧点。

OpenProse的fixed-point一致性：每个responsibility的render产出world-model，通过canonicalizer得到指纹。指纹与上次一致，系统“一致”。判定是二值的：相等或不相等，无“差不多一致”。组合层面，每个responsibility均在其不动点上，DAG拓扑正确，则整个系统一致。自底向上，每个局部不动点组合成全局不动点。

NLAHs的policy-conformance一致性：agent的执行路径是否遵循NLAH规定的策略。Paper定义了pattern-preservation、stage-coverage、artifact-contract compliance等指标度量。非二值——NLAH允许灵活执行，但要求策略结构（阶段、角色、验证门、状态规则）被保留。Paper的RQ2发现NLAH保留了可识别的工作流结构（workflow preservation 0.63-0.67, stage coverage 0.57-0.82），但信息传递是主要弱点（handoff recall低至0.32）。

AGE的attractor一致性：非二值。一个系统可以“大部分在attractor附近，但某个子系统偏离”——这并非“不一致”，而是“在basin内但偏离中心”。判定标准是方向性的：系统是在向attractor收敛，还是远离？一次commit可通过所有测试（在basin内），但若引入架构偏移（如逆转包依赖方向），系统轨迹便不再向attractor收敛。自顶向下——即使每个模块的测试都通过（每个局部在不动点），整体仍可偏离attractor。

AGE的原始论断：“所有state-level checks都能通过，但系统整体在漂移”。nop-chaos-flux的Plan 76是一个实例：尝试移除array-editor局部状态镜像，产生11个测试失败——非因单个bug，而是因测试本身已漂移至与旧实现的时序耦合状态。每个累积的变更都通过了review和CI，但从attractor视角看，测试套件已漂离能支持结构性演化的位置。这恰是attractor概念存在的原因。

这个区分并非术语偏好：

1. Fixed point方法只能检测“是否精确到达”——对“在收敛方向上但未到达”和“已偏离”的区分能力弱
2. Attractor方法天然关注轨迹方向——无需系统精确到达，只需系统在收敛，而收敛本身就是可持续的
3. Fixed point在离散状态空间（如world-model的指纹）中工作良好；Attractor在连续状态空间（如架构演化）中更有表达力
4. 这直接解释了为何OpenProse用hash == hash（离散等式），AGE用“CI通过 + 文档一致 + 架构边界完整”（多维收敛信号）

三个维度

对AI的定位。 OpenProse将AI建模为有界的render函数，角色是执行器。NLAHs将AI建模为被harness policy组织的执行系统：parent orchestrator按runtime policy解释NLAH，child agents执行具体任务，角色分化为编排者 + 执行者。AGE将AI建模为高频、高振幅、无持续方向感的扰动，角色是扰动源 + 执行器——同时被约束和被使用。

对文档的理解。 OpenProse：*.prose.md就是程序，若任何内容与Markdown不一致，Markdown正确。NLAHs：NLAH文档是策略——规定“怎么做”但不直接“执行”，最可审查的部分从实现细节中分离。AGE：文档是attractor的载体层，代码是attractor的瞬时投影，载体层定义它应回到哪里。

失败处理。 OpenProse：失败产生failed receipt，即时的、个体的，每个render独立记录。NLAHs：NLAH定义Recovery Rules（重试、回退、证据），失败的artifact保留供分析，但不跨run蒸馏。AGE：失败产生结构化Bug Note，反复出现的失败模式蒸馏为guardrails，按渐进自动化阶梯升级（笔记 → 检查清单 → 启发式脚本 → lint规则 → CI门控）。

渐进式自动化的实证：nop-chaos-flux 的工具链

AGE方法论有一个核心论断：能落实为确定性检查的，会逐步从轨迹数据中抽取为确定性脚本。

nop-chaos-flux的工具链为此论断提供了完整实证。实际发生的5级渐进自动化阶梯：

Tier 1: 轨迹捕获（Bug Notes + Logs）——62+ bug fix notes, 72 daily dev logs
Tier 2: 模式蒸馏（Architecture Guardrails + Audit Rules）——8 guardrails distilled from bugs, 19 dedicated audit rules
Tier 3: 编码化的审查模式（Skills/Prompts）——24 reusable audit/review prompt templates
Tier 4: 启发性嫌疑扫描器（Heuristic Scanners, exit 0）——12 focused audit scanners, informational output
Tier 5: 硬门控自动化（Hard Gates, CI-blocking, exit 1 on failure）——14 hard gate scripts, 30+ ESLint rules, dependency-cruiser, Semgrep, Husky pre-commit

实例 A：构建产物污染源码目录

Tier 1 — Bug #23：packages/*/src/中残留的.js文件在Vitest运行时暗中覆盖.ts源码，导致测试失败但根因不在测试代码。共发现102个过期文件。

Tier 2 — Guardrail #6 “No Build Artifacts In Source Directories”被蒸馏进docs/references/architecture-guardrails-from-bugs.md，附有bug证据链接。

Tier 5 — scripts/verify-no-src-artifacts.mjs成为硬门控（CI-blocking），同时scripts/clean-src-artifacts.mjs提供清理能力。pnpm lint链在ESLint之前先跑clean + verify。

从bug到CI门控，完整走完了5级。

一个思想实验：如果用 OpenProse 或 NLAHs 管理 nop-chaos-flux

若将nop-chaos-flux的架构不变量建模为OpenProse responsibilities，会得到运行时精确的变化检测，但无法回答为何这些不变量应如此组织、如何演化。若将plan执行建模为NLAHs，会得到结构化的执行流程，但无法回答100次plan后系统是否仍在收敛。两者均为控制层工具；均不覆盖方向层。

AGE的owner-doc系统处理这些问题。OpenProse的responsibility合约不覆盖方向层。NLAHs的策略文档不覆盖跨会话的轨迹演化。两者均为优秀的控制层工具，但吸引子（方向层）不在它们的问题域内。

结论

OpenProse回答的是：“给定一个需要持续为真的目标，如何用AI高效、安全、可审计地维护它？”——微观运行时问题。

NLAHs回答的是：“给定一个tangled的controller code，如何把可复用的harness策略外化为可审查、可移植、可消融分析的NL文档？”——表示媒介问题。

AGE回答的是：“给定一个在AI扰动下持续演化的系统，如何保证它不会偏离稳定结构？”——宏观过程问题。

三者守护的是不同形式化/工程化稳定性语义，甚至不同本体论层次。OpenProse信任算法（确定性函数、内容寻址、链式验证）维持不动点；NLAHs信任可审查的NL策略（IHR解释执行、模块可消融）维持策略遵循；AGE信任的不是泛泛流程，而是可审计、可累积、可对抗复核、能将失败沉淀为未来约束的过程。OpenProse和NLAHs在控制层创新；AGE在方向层贡献。

真正的分歧在于失败会在哪里累积：OpenProse将失败局部化到responsibility，NLAHs将失败局部化到task run，AGE将失败视作跨会话轨迹的信号。

在nop-chaos-flux的实践中，AGE的渐进自动化阶梯已经跑通：62+ bug notes → 8 guardrails → 14硬门控 + 12启发性扫描器 + 30+ ESLint规则。Bug #23（构建产物污染）完整走完了从bug note到CI-blocking硬门控的5级蒸馏。72个日志文件记录了系统轨迹，46个执行计划是局部收敛机制，58个架构文档的优先级链是attractor的载体层。

OpenProse可将AGE已明确的局部不变量变成精确的变化检测。NLAHs可将harness变成可消融对象。两者均为优秀的控制层工具；但吸引子（方向层）不在它们的问题域内。它们可以作为控制层执行器，但不能替代方向层裁判。

可以这样说：若一个项目连续通过CI、review和harness contract，却在50次AI-assisted change后出现包边界逆转、测试语义耦合和owner-doc冲突，那么OpenProse/NLAHs的控制层成功了，而AGE要处理的问题才刚刚显现。这就是三者的分界线：非谁更全面，而是谁能看见长期漂移。

控制层能告诉AI如何纠错；方向层决定了什么才叫错。

来源：互联网