MIT 與 Asari AI 推出 EnCompass：可靠 AI 代理（AI agents）的範式轉移

自主 AI 代理（Autonomous AI agents）的開發長期以來一直受到一個持久挑戰的阻礙：複合錯誤問題。隨著大型語言模型（LLMs）執行複雜的多步工作流，單次幻覺（hallucination）或邏輯失誤都可能使整個過程偏離軌道，導致長時間運行的代理在關鍵企業任務中變得不可靠。在下週宣布的一項重大突破中，來自 MIT 計算機科學與人工智慧實驗室（CSAIL）和新創公司 Asari AI 的研究人員展示了 EnCompass，這是一個旨在透過從根本上重新想像代理執行程式碼的方式，來解決這一可靠性危機的新穎框架。

EnCompass 在 NeurIPS 2025 會議上發表，並在一篇廣泛討論的論文中進行了詳細闡述，該框架將「推論時間搜索（inference-time search）」的概念引入至代理程式編寫中。藉由將代理的核心邏輯與用於搜索正確結果的策略解耦，該框架允許開發者實現複雜的錯誤恢復機制——例如回溯和並行探索——而無需重寫其整個代碼庫。

挑戰：「程式控制」代理的脆弱性

要理解 EnCompass 的重要性，必須首先了解現代 AI 代理的架構。許多企業級代理運行在「程式控制（program-in-control）」模型上，開發者定義一個特定的工作流（例如「翻譯這段程式碼」、「分析這份財務報告」、「生成一個假設」），並調用 LLM 來執行特定的子任務。

雖然功能強大，但這些系統非常脆弱。LLM 具有非決定性；它們可能在前一刻提供精闢的答案，而在下一刻產生幻覺。在涉及數十個步驟的工作流中，發生致命錯誤的機率趨近於必然。傳統上，開發者試圖透過編寫大量的「膠水程式碼（glue code）」來緩解這種情況——手動循環、重試邏輯和條件檢查以捕獲錯誤。然而，這種方法通常會導致代碼庫臃腫且難以管理，錯誤處理邏輯甚至超過了實際的任務邏輯。

EnCompass 透過將代理的執行視為一個搜索問題而非線性路徑來解決此問題。 框架並非寄望於模型在每一步都正確，而是承認「正確」的路徑隱藏在可能性樹中，並提供了高效導航該樹的工具。

將邏輯與搜索解耦：PAN 模型

EnCompass 的核心在於一項名為**概率天使非決定論（Probabilistic Angelic Nondeterminism）（PAN）**的理論創新。這種編程模型允許開發者將「要做什麼」（代理應執行的步驟序列）與「如何做」（用於導航這些步驟的策略）分開編寫。

在實踐中，這是透過 Python 裝飾器 @encompass.compile 實現的。當開發者使用此裝飾器包裹其代理函數時，EnCompass 會將工作流編譯為一個搜索空間。程式碼中查詢 LLM 的點被視為「分支點」——執行可以分叉的道路分歧點。

這種分離提供了深遠的好處：

• 模組化： 開發者可以透過更改單個參數來更改搜索策略（從簡單取樣切換到複雜的樹搜索），而無需觸動工作流程式碼。
• 整潔性： 核心邏輯保持可讀並專注於任務，去除了複雜的重試循環。
• 強大功能： 以前難以手動實現的高級搜索演算法在預設情況下變得觸手可及。

技術深入探討：回溯與並行執行

EnCompass 框架 賦予了代理模仿人類解決問題的能力。當人類專家遇到死胡同時，他們會回溯到之前的假設並嘗試不同的方法。EnCompass 使 AI 代理能夠以程式化的方式執行相同的操作。

該框架開箱即用地支持多種搜索策略，允許開發者根據使用場景優化速度、成本或準確性。

表格：EnCompass 支持的搜索策略

藉由將這些策略標準化，EnCompass 允許嘗試將 Java 代碼庫翻譯為 Python 的代理同時探索棘手函數的多個翻譯選項。如果一條路徑導致程式碼無法編譯，代理可以丟棄它並繼續使用可行的替代方案，這一切都由運行時引擎自動處理。

經過驗證的效能：Java 轉 Python 案例研究

研究人員透過嚴格的基準測試驗證了 EnCompass，其中最著名的是一個涉及將 Java 儲存庫自動翻譯為 Python 的案例研究——這項任務以需要高精度和上下文感知而聞名。

正如 MIT CSAIL 公告中所詳述的，結果非常驚人。與未使用搜索的標準代理相比，經 EnCompass 增強的代理在翻譯準確性上提高了 15% 到 40%。對於開發者社群來說，更令人印象深刻的可能是程式碼複雜性的降低。透過 EnCompass 實現搜索邏輯所需的程式碼行數比手動實現相同功能減少了約 80%。

這種效率的提升表明 EnCompass 可能會使強大 AI 代理的創建變得大眾化。以前無法負擔構建自定義搜索演算法工程開銷的小型團隊，現在可以部署可靠性媲美科技巨頭所構建的代理。

行業影響：規模化的可靠性

對於企業部門而言，EnCompass 的到來標誌著 AI 工程的成熟。我們正在從「提示工程（prompt engineering）」時代——調整文本以誘導模型工作——轉向「流程工程（flow engineering）」和「搜索工程（search engineering）」，在這些領域中，系統架構保證了可靠性。

Zhening Li，該研究的第一作者，同時也是 MIT CSAIL 和 Asari AI 的研究員，強調 EnCompass 並非 LangChain 等框架的替代品，而是一個補充層。LangChain 負責協調整體工具和提示，而 EnCompass 則管理決策軌跡。

企業 AI 的關鍵啟示：

1. 可預測性： 透過驗證多條路徑，代理返回「幻覺」或非功能性結果的可能性降低。
2. 可審計性： 搜索與邏輯的分離使得調試代理為何做出特定決策變得更加容易。
3. 可擴展性： 隨著代理應對更長期的任務——例如設計硬體藍圖或進行科學實驗——在不重新啟動的情況下從錯誤中恢復的能力變得至關重要。

展望未來：代理搜索的未來

EnCompass 的發布符合 AI 行業的一個更廣泛趨勢：轉向「推論時間計算（inference-time compute）」。正如 OpenAI 最近的推理模型在回答前投入更多時間進行「思考」一樣，EnCompass 等框架允許開發者在應用層以計算資源換取更高的可靠性。

Asari AI 和 MIT 團隊設想了一個未來，EnCompass 使代理能夠成為真正的發現協作者。想像一個任務是設計新化合物的代理。透過 EnCompass 使用 MCTS，代理可以探索數千種潛在的分子結構，當合成路徑證明不可能時進行回溯，並僅向人類科學家展示最可行的候選方案。

藉由有效解決錯誤累積問題，EnCompass 很可能是將 AI 代理從實驗性玩具轉變為關鍵生產系統所需的缺失基礎設施。

參考文獻與進階閱讀

• MIT News: "Helping AI agents search to get best results from LLMs" (Feb 2026)
• HPCWire: "New MIT Framework Uses Search to Handle LLM Errors in AI Agents"
• Artificial Intelligence News: "How separating logic and search boosts AI agent scalability"
• NeurIPS 2025 Proceedings: "ENCOMPASS: Enhancing Agent Programming with Search Over Program Execution Paths"