当前主流的 LLM Agent 框架普遍采用 Text-in-Text-out 的交互范式——无论输入还是输出，所有数据都必须经过文本序列化。

这使得 Agent 难以直接操作复杂的外部对象（如 DataFrame、数据库连接、训练好的模型），其产出也无法被下游系统（数据可视化、Agentic UI 等）直接消费。

从 Text-in-Text-out 到 Object-in-Object-out：LLM Agent 工具调用的范式转变

3 月 17 日（周二）晚 8 点，青稞社区和减论平台将联组织 # 青稞 Talk 第 113 期，香港城市大学数据科学系博士生王天乐，将直播分享《线性轨迹：揭示 LLM 强化学习中的高效捷径》。

本次分享将介绍 CaveAgent 提出的有状态运行时管理（Stateful Runtime Management）范式：

通过将持久化的 Python 运行时提升为 Agent 的主工作空间，利用变量注入与检索机制实现原生 Python 对象的双向流通，将 Agent 的交互模式扩展为 Object-in-Object-out。

分享内容涵盖双流架构设计、基于 AST 的安全机制、对 Agent Skills 开放标准的运行时注入扩展，以及在数据分析与可视化、可验证评估（Verifiable Evaluation）、多 Agent 协作等场景下的工程实践。

最后也将探讨这一范式如何为强化学习的可验证奖励（RLVR）提供结构性基础。

分享嘉宾

万政霖，新加坡国立大学计算机系博士生、水杉智算技术联合创始人

主题提纲

面向对象的 Agent Infra 新范式：有状态运行时管理的设计与工程实践

1、主流 LLM Agent 框架的交互范式
2、CaveAgent：有状态运行时管理范式
3、如何为 RLVR 提供结构性基础
4、未来方向探讨 & AMA （Ask Me Anything）

直播时间

3 月 3 日(周二)20:00 - 21:00