Deterministic（确定性）指在 AI 系统中通过固定规则、契约或结构化流程获得可重复、可验证的输出，与 LLM 的概率式生成形成对照。随着 AI Agent 被赋予更多实际执行权，行业正从“相信模型本身”转向“用确定性机制托底模型行为”，这一思路正在重塑代码审查、评估和多 Agent 协作等场景。
确定性治理的多 Agent 工作流
arXiv 论文 Maat: Independent Deterministic Contract-Based Governance for Multi-Agent LLM Workflows 提出用独立的确定性契约机制来治理多 Agent LLM 工作流：Agent 的行为结果先经过基于契约的确定性校验，再决定是否放行，而不是依赖模型自评。类似思路也出现在 Profile-Grounded Evidence Contracts 和临床数据分析中的 双 Agent 校验框架，共同点都是把关键判断从生成式模型转移到可审计的规则层。
从生成判定到结构化决策
DeepEval 团队发布了 JevEval：用结构化决策替代生成式 LLM 评估裁判，把 LLM 评估从“让另一个模型读一遍再打分”改为结构化的判定流程，减少评估环节自身的不确定性。与之呼应，Harrison Chase 提出的 eval driven development 也在强调：Agent 开发应以可重复的评估为驱动，而非凭感觉迭代。
验证工程与代码审查重构
Guillermo Rauch 认为 未来属于 verification-engineering（验证工程）：证明、端到端测试、基准和 linter 这类确定性工具将成为 AI 编码时代的核心资产。Addy Osmani 在 谈 Agent 时代代码审查的重构 时给出的数据也印证了这一转变的规模：Claude 编写了 Claude Code 约 90% 的代码，6 月到 9 月间团队合并 PR 数量翻倍以上，回滚率反而下降——能放开速度的前提，正是验证体系提供了确定性保障。
当前焦点与观察点
围绕 Deterministic 的讨论集中在三个问题上：其一，确定性边界划在哪里——Maat 等工作倾向于让确定性机制作为独立仲裁者，而非嵌入模型内部；其二，信任模型怎么建，@poteto 的四层“倒金字塔”框架 主张与其“管教” Agent，不如分层设计验证手段；其三，确定性校验本身如何在规模化写入场景（如 Addressed-Memory Writes 研究的生产级问题）中保持可靠。后续值得观察的是：确定性契约是否会成为 Agent 平台的标配中间件，以及评估框架（如 JevEval）与契约治理会不会逐步合流。