AI渐进编程之五：给 Agent 穿上动力装甲——SIADOS 状态转移方法
前一篇我们讲的是状态机怎么描述转移。
这一篇继续往前走，重点不在“状态怎么摆”，而在一轮任务推进里，状态怎么更新，系统怎么靠反馈继续往前走。
为了说明这个过程，本书把一轮任务拆成六个部分，称为SIADOS：
- S：State
- I：Input
- A：Analysis
- D：Driver
- O：Output
- S’：State Update
这六步不是为了显得复杂，而是为了把 AI 编程从“一次性输出”变成“有反馈的持续推进”。
1. 为什么要从一次输出，变成 SIADOS？
如果只有一次输出，系统最多只能回答“这一轮做了什么”。
但真实任务不是一轮结束的，尤其是这些情况：
- 论文要反复修改
- 代码要多轮修复
- 状态要持续维护
- 失败要留下轨迹
- 下一轮要基于上一轮继续推进
这时，真正重要的就不是“这一轮写了什么”，而是：
- 这一轮之前系统处于什么状态
- 这一轮输入了什么
- 这一轮分析出了什么
- 这一轮执行了什么
- 这一轮输出了什么
- 这一轮之后状态变成了什么
这就是 SIADOS 的意义。
2. SIADOS 里的六步分别做什么？
2.1 S：State
State 不是聊天记录，而是当前项目已经确认的事实。
比如：
- 当前任务是什么
- 当前允许修改的范围是什么
- 已知问题有哪些
- 上一轮结果是什么
2.2 I：Input
Input 是这一轮新的输入。
它可以来自：
- 人类的新要求
- 上一轮的验证结果
- 当前任务的补充信息
- 新发现的约束或问题
2.3 A：Analysis
Analysis 是分析任务边界和风险。
这一轮能不能做、该不该做、要不要缩小范围，通常都在这一层判断。
2.4 D：Driver
Driver 是真正执行动作的部分。
它负责把分析结果变成修改、调用或其他受控动作。
2.5 O：Output
Output 是这一轮产生的结果。
可能是：
- 文本修改
- 代码 diff
- 验证结果
- 问题记录
- 新状态的候选内容
2.6 S’：State Update
State Update 是最关键的一步之一。
它把这一轮真正有用的事实写回状态，供下一轮继续使用。
3. 为什么状态更新比一次性输出更重要？
因为 AI 编程真正难的地方，不是开始做事，而是：
- 做完之后，下一轮怎么接着做
- 失败之后，下一轮怎么避免重复失败
- 状态变化之后，系统怎么知道自己有没有在往前走
如果没有状态更新，SIADOS 就只是一次普通输出。
但有了状态更新，SIADOS 才变成一个真正的循环。
4. 为什么失败也必须写回状态？
很多人会下意识觉得，失败就失败了，重来就行。
但在 AI 编程里，这样做很容易让系统一直重复同一种错。
所以失败不能只停留在“结果不对”，
还要进入状态，变成可复用的反馈。
比如：
- 这次为什么失败
- 哪些路径已经试过
- 哪些动作已经证明无效
- 下一轮不要再走哪条路
这就是为什么本书一直强调：
失败不是消失，而是要被保存下来。
5. 什么叫收敛？
收敛不是一个很玄的词。
在这本书里，它的意思其实很朴素：
系统在多轮运行后，不再原地摆动，而是逐步接近一个可接受结果。
也就是说，收敛至少要满足三个迹象：
- 修改范围越来越清楚
- 失败路径越来越少
- 状态越来越稳定
如果系统每一轮都在换方向、换文件、换理由，那就不是收敛，
而是摆动。
6. 为什么循环里的反馈比一次性输出更重要？
因为一次性输出只能说明“这一轮给出了什么”，
循环里的反馈才能说明“系统有没有越走越对”。
举个很简单的例子：
只看一次输出
你可能看到 AI 改了文本，看起来也通顺，似乎没问题。
看循环反馈
你会继续观察：
- 它是不是只改了允许范围
- 它有没有把问题写回状态
- 下一轮是不是还在重复同样的错误
- 失败后它有没有修正方向
这就是循环的价值。
它让 AI 不只是“能说”，而是“能在反馈里修正自己”。
7. 状态更新和收敛之间是什么关系？
这两者是连在一起的。
状态更新做对了
下一轮就能拿到正确的输入。
下一轮输入正确了
系统才有机会继续往收敛方向走。
如果状态更新错了
下一轮就会在错误基础上继续跑，最后越来越偏。
所以，状态更新不是附属动作，
它本身就是收敛的一部分。
8. 一个最小的 SIADOS 例子
可以先这样理解：
state:current_task:revise Introductionscope:[Introduction]issues:[claim too strong]input:request:reduce claim strengthconstraint:do not touch Abstract / Conclusionanalysis:scope_ok:truerisk:cross_section_driftaction_plan:revise Introduction onlydriver:action:apply_patchoutput:changed_sections:[Introduction]validation:pendingnotes:[claim weakened,no scope violation]state_update:current_task:revise Introductionscope:[Introduction]issues:[abstract may need later review]last_result:local refinement done这里的重点不是 YAML，
而是它表达了一件很具体的事：
- 这一轮不是结束
- 这一轮只是推进了一步
- 下一轮可以基于更新后的状态继续做
9. SIADOS 最容易犯的错
9.1 只记结果，不记原因
这样下一轮还是不知道为什么会失败。
9.2 只记失败，不记可继续的部分
这样系统会把自己卡死。
9.3 状态太重
每轮都写一堆无用信息，最后更新成本太高，没人愿意维护。
所以状态更新要控制粒度：
只保留能影响下一轮判断的内容。
10. SIADOS 和状态机、Harness 的关系
这一点要一起看。
Harness 做什么？
- 限制动作
- 检查结果
- 执行验证
- 约束下一步
状态机做什么？
- 定义阶段之间怎么转
- 定义什么时候能进入下一步
- 定义失败后该去哪里
- 定义哪些状态之间不能乱跳
SIADOS 做什么？
- 把一轮任务拆成可执行的六步
- 把输入、分析、执行、输出和状态更新串起来
- 让下一轮真的能基于上一轮继续
可以这样理解：
- Harness 是执行层的控制器
- 状态机是控制层的骨架
- SIADOS 是一轮推进的工作流
没有状态机，Harness 容易变成一堆临时规则。
没有 Harness，状态机又只是纸面结构，落不到实际动作上。
没有 SIADOS，系统就没有一个清楚的单轮推进框架。
11. 本章小结
这一章想讲清楚的核心是：
AI 编程不是一次性输出，而是一轮一轮在 SIADOS 里推进。
状态更新的意义，不是把历史堆起来，
而是把下一轮真正需要的事实写回去；
收敛的意义，不是每一轮都完全正确，
而是系统能在反馈中越来越接近可接受结果。
下一章，我会继续讲：为什么状态更新必须和验证结合起来，以及为什么“看起来对”不等于“真的对”。