作者提出基于功能角色的LLM推理分类法以区分价值与浪费

文章提出一种针对Agent任务的LLM推理功能分类框架，将单次调用划分为Initialization、Orchestration、Reasoning和Synthesis四类，核心在于区分模型是在解决未决的任务不确定性，还是在执行已确定的机械步骤。

该框架的关键判据是“预确定性”（predetermination）：若调用前操作语义已由系统状态决定（如根据已知cursor构造分页请求、重复重试固定策略），则属于Orchestration；若调用需决定下一步证据来源或实施方案（如从日志中推断故障根因），则属于Reasoning。基于此，作者定义了一个新指标Reasoning Yield = Reasoning tokens / (Reasoning tokens + Orchestration tokens)，用于衡量在任务执行阶段，多少推理成本真正用于解决不确定性而非机械推进。

这一分类揭示了当前Agent架构的经济性差异：成熟架构应让普通软件处理确定性流程，仅将模型保留给需要判断的环节。事实层面，该框架提供了分析Trace的新词汇；推断层面，高Reasoning Yield通常意味着更优的单位经济模型；猜测层面，未来监控工具可能原生支持此类细分统计，但具体实施细节尚待验证。