LLM statelessness

可以先理解为:模型连续性依赖外部状态系统

模型每次醒来都像刚进房间的人。它能继续工作,是因为外面的系统把会议纪要、文件和上一轮结果又递给了它。

关键结构图

当前相关远处弱强

中心节点写「LLM statelessness」,周围连接 KV cache、Coding agents、Subagents,用细线表示相邻路径和调用方向。

LLM statelessness 指模型本身不会真正记住上一轮发生了什么;连续性来自外部软件把历史、工具结果、文件状态和指令重新组织后再喂给模型。

当你需要理解模型之外还有哪些基础设施支撑 AI 能力时,可以用「LLM statelessness」命名这块砖,再连接相邻概念继续判断。

Agent 的连续性不是模型自动拥有的,而是 harness、上下文窗口、memory、文件系统、工具日志和重新提示共同搭起来的。理解这一点,才能解释为什么长任务 agent 需要交接记录、文件系统、状态持久化和上下文压缩。

在拆解一个 AI 系统为什么能稳定运行时,你可以用「LLM statelessness」标记其中最需要被看见的结构,再检查它提供了什么证据、边界或行动方向。

在整理「AI 基础设施」主题时,把「LLM statelessness」和「KV cache」放在同一路径里,可以帮助读者从单点概念走向可复用的判断框架。

类型:系统结构 / 概念整理

事实线:这张卡把「LLM statelessness」整理为概念提炼: LLM statelessness 指模型本身不会真正记住上一轮发生了什么;连续性来自外部软件把历史、工具结果、文件状态和指令重新组织后再喂给模型。

依据:1000 Bricks 本地砖块库的概念定义、相邻砖块关系和AI 基础设施、系统架构和工具链讨论。

边界:适用于「AI 基础设施、算力、存储、运行时和工具系统」主题下的理解、复盘和设计判断;不等于行业统一标准或对所有场景都成立的结论。

常见误读:不要把它当作某篇材料的原文摘要,也不要因为概念名清晰就忽略具体情境和验证证据。