论文精读：BCER Agent —— 编译、工件绑定与有界局部恢复驱动的可靠长程 MRI 工作流执行

论文标题: BCER Agent: Reliable Long-Horizon MRI Workflow Execution via Compilation, Artifact Binding, and Bounded Local Recovery
论文地址: https://arxiv.org/abs/2605.29163
作者单位: University of California, Los Angeles; Cedars-Sinai Medical Center; Max Delbrück Center for Molecular Medicine; Tsinghua University
发表时间: 2026年5月27日

---

背景知识

在深入解读 BCER Agent 之前，有必要先厘清几个核心概念。

什么是长程 MRI 工作流（Long-Horizon MRI Workflow）？ 不同于单张 2D 影像的切片级诊断，真实的 MRI 分析是一个多阶段、跨模态、强依赖的流水线：从原始 k-space 数据重建开始，经过去噪、超分辨率、配准、分割、特征提取、量化测量，最终生成结构化报告。这些步骤之间存在严格的输入-输出依赖关系，中间产物（3D/4D 体数据、分割掩膜、测量矩阵）体积庞大且必须在步骤间精确传递。

什么是反应式工具调用（Reactive Tool-Calling）？ 以 ReAct 为代表的反应式 Agent 范式通过交错推理（Reasoning）与行动（Acting）来调用工具。每一步中 LLM 根据当前观察生成下一步的工具调用。这种设计在短交互中表现灵活，但在长程工作流中，中间工件的引用错误、工具参数不匹配或跨步骤依赖断裂会级联放大，导致整个工作流崩溃。

什么是符号工件绑定（Symbolic Artifact Binding）？ BCER 引入的一种显式数据流接口，通过符号令牌（如 @case.input、@node.recon.cine_4d、@node.seg.labels）在运行时解析为具体的文件路径或数据对象。这确保工具消费的是真实的中间产物，而非 LLM 生成的幻觉字符串，从根本上消除了路径解析和引用错误。

什么是有界局部恢复（Bounded Local Recovery）？ 当工作流中某个节点失败时，不重启整个流水线，而是仅对失败节点（或受影响的子工作流）进行最小化修复重试。修复策略先尝试确定性修正，仅在必要时调用 LLM 进行约束式修复，同时保留所有成功的上游结果。

什么是 BCER？ BCER（Brain–Cerebellum–Extremity–Reflector）是一个受神经解剖学启发的四层控制器架构，专为医学影像长程工作流设计。Brain 负责高层规划，Cerebellum 负责编译与执行控制，Extremity 是标准化工具库，Reflector 负责有界故障恢复。

---

一、背景：从短交互问答到可靠长程医学影像工作流的鸿沟

1.1 为什么现有医学 Agent 难以胜任真实的 MRI 分析流水线？

近期医学 VLM 和 Agent 研究在 2D 图像理解、视觉问答和短工具调用上取得了令人鼓舞的进展，但真实临床环境中的 MRI 分析提出了根本不同的挑战：

• 数据维度的跃迁：现有基准多聚焦预选的 2D 切片或病例级解释，而真实 MRI 操作的是 3D/4D 体数据（空间+时间维度），数据量从数 MB 到数 GB，工具接口必须处理 NIfTI、DICOM、k-space 等复杂格式。
• 工作流的链式依赖：MRI 分析不是单跳问答，而是从上游重建到下游报告的多阶段流水线。每一步的输出是下一步的输入，依赖关系构成有向无环图（DAG）。一个中间步骤的引用错误或参数失配会级联传播，导致下游全部失效。
• 中间工件的复杂性：分割掩膜、配准变换矩阵、特征向量等中间产物必须在步骤间精确传递。LLM 直接生成文件路径或数据引用时极易产生幻觉（hallucinated paths），导致工具读取空文件或错误数据。
• 可审计性的临床刚需：医学决策必须可追溯——最终报告中的每个结论必须能链接到具体的中间测量值、分割结果和规则痕迹。反应式 Agent 的隐式状态管理使这种追溯几乎不可能。
• 故障恢复的代价：在长链工作流中，如果第 N 步失败就重启整个流程，时间和计算成本 prohibitive。需要能够定位故障、局部修复、保留上游成果。

因此，将 LLM Agent 用于 MRI 工作流自动化不是简单的"给医学模型加上工具调用"，而是在高维数据、强依赖链、大体积中间产物和临床可审计性四重约束下的可靠系统工程问题。

1.2 现有方法的"天花板"

现有工作可分为几类，但都存在结构性局限：

• 医学 VLM 与视觉问答：LLaVA-Med、VILA-M3 等模型擅长单张影像的解读和问答，但缺乏多步工具调用能力，无法执行涉及数据预处理、分析和报告生成的完整流水线。
• 短工具调用 Agent（MedAgents、MMedAgent 等）：在预定义的工具集上展示了医学推理能力，但评估场景多为短交互（几步之内），未覆盖长程、跨器官、多阶段的研究级流水线。
• 反应式 ReAct 框架：虽然灵活，但在长程工作流中缺乏对中间工件依赖的显式控制。每一步的工具调用独立生成，没有编译期的依赖检查和运行时的符号绑定，导致引用错误和参数失配频繁发生。
• 通用 Agent 框架（HuggingGPT 等）：面向通用 AI 任务设计，缺乏医学影像特有的数据类型支持（DICOM、NIfTI、k-space）、领域工具接口和临床可审计性要求。

这些方法的共同盲区是：它们要么解决了感知但缺乏执行（VLM），要么解决了短交互但无法扩展（ReAct），要么解决了通用任务但缺乏领域约束（通用 Agent）。BCER 的目标正是跨越这一鸿沟——通过计划-执行分离、符号绑定和局部恢复，在医学影像领域实现真正可靠的长程工作流自动化。

---

二、核心创新：计划-执行分离 + 符号工件绑定 + 有界局部恢复 + 可审计追踪

BCER 的技术精髓可以概括为：以 Brain-Cerebellum 分离实现高层规划与底层执行的解耦，以符号令牌绑定消除中间工件的幻觉引用，以有界局部恢复将故障影响限制在最小范围，以显式证据链满足临床可审计性需求。

2.1 BCER 四层架构：从神经解剖学到系统设计的隐喻

BCER 将控制器架构类比为神经系统的功能分工（Figure 1）：

Brain（大脑）：声明式规划与全局视野感知

• 接收用户目标 g、体数据 V 和元数据 M，生成计划草图（plan sketch）。
• 草图描述预期的工作流步骤和约束（如"识别序列 → Grappa 重建 → 电影分割 → 特征提取 → 表型分类 → 报告合成"），但不直接执行工具，也不操作文件路径。
• 草图是"部分指定"的——某些可执行字段留待下游填充。
• 这一分离借鉴了模块化 Agent 系统的设计哲学，但针对 MRI 工作流的需求进行了适配。

Cerebellum（小脑）：编译、符号绑定与运行时执行

Cerebellum 是系统的核心执行引擎，承担三项关键职责：

1. 工作流编译：将 Brain 的部分指定草图转换为可执行的工作流图（DAG）。这不是模板实例化，而是带有显式依赖关系和边界执行约束的编译过程。

2. 符号工件绑定：在工具调用前，将符号令牌解析为具体运行时值：

   • @case.*：案例级输入和元数据
   • @node.<id>.<field>：特定节点的输出字段
   • @seq.*：序列级引用
   • @runtime.*：运行时动态值

   这种显式绑定确保工具消费的是真实工件，而非 LLM 生成的幻觉字符串。这是与直接 ReAct 式工具调用的关键区别。

3. 运行时约束执行：在 DAG 上调度节点执行（满足前置依赖后运行），维护每案例状态和事件追踪（状态/输出/错误），强制执行运行时约束（如案例级沙箱边界）。

Extremity（四肢）：标准化 MRI 工具库

• 暴露标准化的 MRI 面向工具，涵盖数据 I/O、预处理（去噪、重建、配准）、分析（分割、检测、校正）、量化和报告。
• 统一参数 schema、类型化输出和规范化错误码，支持运行时调度和恢复。
• 结合传统算子（如重建、去噪、配准）与任务特定模块（分割、检测），以及工作流工具（如 ED/ES 帧选择）和基于规则的证据决策工具。

Reflector（反射器）：有界局部修复与自愈

• 当所需节点在运行时失败时，Reflector 执行有界局部修复。
• 不同于传统反射机制（在完整回合或整体响应级别操作），Reflector 检查失败节点、其参数、错误消息和可用工件，提出最小化重试补丁（如修复令牌引用、移除无效覆盖、应用安全参数调整）。
• Cerebellum 仅重试失败节点（或小型受影响子工作流），保留所有成功的上游结果。
• 修复采用两阶段策略：先尝试确定性修正，仅在需要时调用约束式 LLM 修复。

2.2 计划-执行分离：从"LLM 直接生成工具调用"到"编译型工作流"

BCER 的核心架构决策是将概念规划与底层执行严格分离：

维度	ReAct 反应式	BCER 编译式
规划粒度	每步独立生成	全局草图 + 编译优化
依赖控制	隐式、易断裂	显式 DAG、编译期检查
工件引用	LLM 生成字符串	符号令牌运行时绑定
故障影响	级联崩溃	局部化、可恢复
可审计性	隐式状态	显式事件追踪 + 证据链

Brain 生成的草图是"受约束的"——它描述"做什么"但不规定"怎么做"。Cerebellum 的编译器填充调度级细节、解析依赖关系、绑定符号引用，将抽象计划转化为类型化、案例范围化的可执行图。这种分离使 Brain 专注于高层医学推理，Cerebellum 专注于可靠的执行控制。

2.3 符号工件绑定：消除幻觉引用的数据流接口

在医学影像工作流中，中间产物（重建后的 4D 电影、分割掩膜、特征矩阵）体积庞大且路径复杂。LLM 直接生成文件路径时极易出错：

• 幻觉路径：生成不存在的文件路径
• 引用漂移：步骤 N 引用了步骤 N-2 的错误输出字段
• 类型失配：将分割标签当作原始图像传入

BCER 的符号绑定机制通过以下方式解决：

• 抽象引用：Brain 和计划草图使用符号令牌（@node.recon.cine_4d）而非具体路径。
• 运行时解析：Cerebellum 在调度前将符号解析为当前案例运行中的具体值/路径。
• 类型安全：工具接口强制类型化输出，确保下游工具接收正确格式的数据。
• 隔离验证：通过 ReAct+Bind 消融实验单独验证绑定机制的贡献（Table 2：ReAct 65/74 → ReAct+Bind 83/90）。

2.4 有界局部恢复：从"全量重启"到"微创手术式修复"

在长链 MRI 工作流中，故障是不可避免的：

• 工具参数超出有效范围
• 中间工件格式不兼容
• 资源限制导致处理失败

传统反射机制（如 Reflexion）在完整回合级别操作，长工作流中的每次重启代价极高。BCER 的 Reflector 采用有界局部恢复策略：

1. 故障定位：Cerebellum 将失败显式记录为节点失败，附带可追溯上下文（错误消息、输入参数、上游状态）。
2. 最小补丁：Reflector 分析失败原因，生成最小修正（如修复 @node 引用、调整参数范围）。
3. 局部重试：仅重试失败节点或最小受影响子图，上游成功结果完全保留。
4. 两阶段修复：先尝试确定性规则修复（如自动补全缺失的默认参数），仅在规则无法解决时调用 LLM 进行约束式修复。

这种设计将故障的影响范围从"整个工作流"缩小到"单个节点"，将恢复时间从"全量重执行"缩短到"增量补丁"。

2.5 可审计性：从"黑箱输出"到"证据链追踪"

临床决策要求每个结论都有据可查。BCER 通过以下机制实现可审计性（Figure 2 底部）：

• 显式事件追踪：Cerebellum 记录每个节点的执行状态、输入输出和错误。
• 工件-结论链接：最终报告中的每个结论（如"发现与扩张型心肌病一致"）保持与中间工件（分割掩膜、测量值）和规则痕迹（如"LVEDV > 181mL 且 LVEF < 40%"）的显式链接。
• 结构化输出：报告不是自由文本，而是包含关键指标、规则轨迹和结论的结构化文档。

---

三、实验验证：从短链影像操作到长链报告生成的全面评估

3.1 基准设置：多器官、多链长、任务契约约束

论文构建了覆盖大脑、前列腺和心脏的多器官 MRI 基准：

数据集：

• BraTS 2018（脑肿瘤）
• fastMRI Prostate（前列腺）
• ACDC（心脏）
• CMRxRecon（心脏 k-space 重建）

8 项任务（Table 1）：

任务	链长	输入	器官	案例数	金标准输出
Denoise	短链(S)	NIfTI	脑/前列腺	200	去噪体数据
SuperRes	短链(S)	NIfTI	多器官	310	超分辨率体数据
Segment	短链(S)	DICOM/NIfTI	脑	100	器官掩膜
Recon	短链(S)	k-space	心脏	10	重建图像体数据
Register	短链(S)	DICOM/NIfTI	前列腺	100	对齐体数据
BrainGrade	长链(L)	NIfTI	脑	100	分级/分类标签
ProstateRpt	长链(L)	DICOM	前列腺	100	结构化报告
CardiacRpt	长链(L)	k-space/DICOM	心脏	110	结构化报告

评估指标：

• Success Rate (SR)：二元指标，每案例必须完成所有必需里程碑和交付物。
• Task Completion Rate (TCR)：验证通过的参考契约里程碑比例（而非尝试的步骤数或自由形式答案）。

控制器变体（渐进消融阶梯）：

• ReAct：直接反应式工具调用基线
• ReAct+Bind：ReAct + 符号工件绑定
• ReAct+Bind+Ref：ReAct + 绑定 + 局部修复
• BCER：完整计划-执行控制栈

主干模型：Qwen3-VL-30B-A3B-Thinking，并跨 Qwen-3、GPT-5-mini、Gemini-3-flash 验证。

3.2 端到端控制器对比：从级联崩溃到可靠执行

Table 2 展示了四种控制器在正常执行下的 SR/TCR：

任务	ReAct	ReAct+Bind	ReAct+Bind+Ref	BCER
短链任务
Denoise	95/95	98/98	100/100	100/100
SuperRes	75/75	90/90	95/95	100/100
Segment	89/91	98/99	100/100	100/100
Recon	100/100	100/100	100/100	100/100
Register	69/77	100/100	100/100	100/100
长链任务
BrainGrade	70/82	100/100	100/100	100/100
ProstateRpt	0/46	0/72	0/72	99/99
CardiacRpt	0/22	63/66	88/89	93/93
总计	65/74	83/90	87/95	99/99
关键发现：

1. ReAct 在长链任务上几乎完全崩溃：ProstateRpt 0/46，CardiacRpt 0/22。失败模式不是单个步骤缺失，而是单个不稳定的工具调用破坏了下游依赖，导致整个工作流级联崩溃。

2. 符号绑定的巨大贡献：ReAct → ReAct+Bind，总体从 65/74 提升到 83/90。绑定机制消除了低级的中间引用和路径解析错误，这是最大的单一增益来源。值得注意的是，BrainGrade 在加入绑定后从 70/82 直接跃升到 100/100，说明该任务的主要瓶颈正是引用错误。

3. 局部修复的进一步增益：ReAct+Bind → ReAct+Bind+Ref，提升到 87/95。Reflector 通过局部修复抑制了低层执行错误。但剩余失败反映的是工作流级遗漏（如缺失必需步骤或不完整的处理链），而非简单引用错误——例如 ProstateRpt 在绑定和局部修复下 SR 仍为 0/72，直到 BCER 才跃升到 99/99。

4. BCER 的结构性优势：ReAct+Bind+Ref → BCER，达到 99/99。BCER 在规划和编译阶段就消除了大多数结构性失败模式，产生更完整的工作流图和更一致的步骤依赖。剩余错误集中在少数工具的鲁棒性极限或任务契约边界情况，而非级联控制器失败。

5. 长链任务的戏剧性改善：ProstateRpt 从 0/46 → 99/99，CardiacRpt 从 0/22 → 93/93。这证明编译执行不仅改善了引用绑定，更改善了整体工作流完整性。### 3.3 跨主干模型验证：执行控制 vs 模型能力的解耦

Figure 3 将对比扩展到多个 LLM 主干：

• 短链任务：所有主干表现良好，方法间差距较小。
• 长链任务：差距显著扩大——纯 ReAct 在所有三个主干上均退化，更强的基础模型只能部分缓解这种下降。
• Bind 和 Ref 的一致性增益：为每个主干带来一致的提升，表明主要瓶颈不仅是模型容量，而是对中间工件和工作流依赖的执行控制。
• BCER 的稳定性：在所有评估主干上保持最稳定的变体，在长链上接近饱和，证明编译执行的收益泛化于任何单一基础模型。

这一发现至关重要：它说明长程工作流的可靠性问题不能仅通过扩大模型规模解决，而需要架构层面的执行控制创新。

3.4 失败模式的结构性转移

论文深入分析了每个控制器阶段的失败模式演变：

• ReAct：失败主要由不稳定的步骤执行驱动，包括参数/schema 不匹配、路径或输入选择错误。长链任务中，单个不稳定的工具调用破坏下游依赖。
• ReAct+Bind：低级引用和路径解析错误大幅减少，但剩余失败反映工作流级遗漏（缺失必需步骤或不完整处理链）。
• ReAct+Bind+Ref：低层执行错误进一步被局部修复抑制，但无法解决不完整工作流结构导致的失败。
• BCER：在规划和编译阶段消除了大多数结构性失败，失败集中在工具鲁棒性极限或任务契约边界情况。

这种失败模式的结构性转移是 BCER 设计有效的最佳证据——它不是简单地减少了错误数量，而是将错误从"控制器级联故障"转移到"工具极限边界"。

---

四、学术洞见：BCER 揭示了哪些深层规律？

洞见一：长程工作流的可靠性瓶颈在"执行控制"而非"模型能力"

BCER 的跨主干实验揭示了一个反直觉的规律：更强的 LLM 只能部分缓解长链工作流的退化。Qwen-3、GPT-5-mini、Gemini-3-flash 在长链 ReAct 上均表现不佳，而添加 Bind 和 Reflector 后为每个主干带来一致增益。这表明长程工作流的级联崩溃是架构问题（缺乏对中间工件和依赖的显式控制），而非能力问题（模型不够大或不够聪明）。这一洞见对 Agent 系统设计具有深远影响：在构建长程工作流 Agent 时，投资于执行控制架构（编译、绑定、恢复）的回报可能远超单纯扩大模型规模。

洞见二：“计划-执行分离"是复杂领域 Agent 的"编译器时刻”

BCER 的 Brain-Cerebellum 分离类比于编程语言中的"编译器架构"——高级语言（Brain 的声明式草图）被编译为低级机器码（Cerebellum 的可执行 DAG）。这一分离的价值在于：

• 错误前移：工作流结构错误在编译期被发现，而非运行时才暴露。
• 优化空间：编译器可以在不改变语义的前提下优化执行顺序、并行调度和资源分配。
• 多后端支持：同一高级计划可以编译到不同的工具后端（不同医院可能使用不同的 MRI 处理软件）。

这揭示了一个更广泛的规律：当 Agent 工作流的步骤数超过某个阈值（论文中约为 5-6 步），反应式逐生成模式的错误率呈指数增长，而编译式模式的错误率呈线性增长。存在一个"编译器交叉点"，超过该点后编译式架构成为必需。

洞见三：符号绑定是领域特定 Agent 的"类型系统"

BCER 的符号工件绑定（@node.<id>.<field>）本质上是为医学影像工作流引入了一种类型化的数据流接口。它解决了 LLM 生成代码中的经典问题——字符串级别的引用缺乏类型检查和运行时验证。在医学影像中，这种"类型系统"尤为关键，因为：

• 数据体积大，复制成本高，必须通过引用传递
• 格式复杂（DICOM 头、NIfTI 仿射矩阵、k-space 坐标），类型失配导致静默错误
• 临床安全要求每个数据流都可追溯

这一洞见可推广到任何涉及大体积、复杂格式中间产物的 Agent 场景（如视频编辑、科学计算、CAD 设计）：为中间工件引入符号引用 + 运行时类型解析，比依赖 LLM 直接生成路径可靠数个数量级。

洞见四：有界局部恢复是长程系统的"熔断机制"

Reflector 的设计理念类似于分布式系统中的"熔断器"（circuit breaker）和"重试策略"，但针对 Agent 工作流进行了适配：

• 影响有界：修复范围限制在失败节点，不扩散到整个工作流
• 代价可控：两阶段修复（确定性优先，LLM 兜底）确保修复成本不高于重执行
• 状态保留：上游成功结果完全保留，避免重复计算

这揭示了一个系统设计原则：长程 Agent 的故障恢复策略必须满足"局部性"（locality）和"有界性"（boundedness），否则恢复成本将随工作流长度线性增长，最终使长程执行不可行。

---

五、局限性与未来方向

论文坦诚讨论了以下局限：

1. 工具库的封闭性假设：当前设计假设使用经过筛选的、具有显式接口的工具库，而非开放式工具发现。在临床环境中，工具生态可能更动态，需要更安全的工具扩展机制。

2. 非前瞻性临床验证：本研究是控制器能力评估，而非前瞻性临床验证。不声称替代专家生成的报告或临床医生判断。专家知识通过任务定义、基准标注、预定义交付物和规则/工具接口进入系统。

3. 灵活性与可靠性的权衡：BCER 通过强制执行更强的执行结构来提高可执行性，代价是降低了灵活性。对于需要高度即兴创作的探索性任务，编译式约束可能成为负担。

4. 长链任务的边界情况：虽然 BCER 在长链上达到 99/99 和 93/93，但剩余失败反映了工具鲁棒性的极限。某些工具在特定输入上的固有失败无法通过控制器架构完全规避。

5. 评估范围的限制：基准覆盖大脑、前列腺和心脏，但未涵盖更广泛的器官（如肝脏、肾脏、眼科）或更复杂的跨模态工作流（如 MRI + CT + PET 融合分析）。

6. 人工专家介入点：任务契约、工具接口和规则痕迹的设计仍需要领域专家参与。系统的自主程度受限于预定义的任务模板和工具 schema。

未来方向包括：

• 更安全的工具扩展：研究如何在保持执行可靠性的前提下支持开放式工具发现和动态集成。
• 临床医生在环验证：将 BCER 集成到临床工作流中，收集临床医生的反馈进行迭代优化。
• 前瞻性临床研究：在真实临床环境中评估系统的诊断准确性、时间效率和用户接受度。
• 跨模态扩展：将架构扩展到 CT、超声、病理切片等多模态医学影像工作流。
• 自适应规划：使 Brain 能够根据中间结果动态调整计划，而非仅执行预编译的 DAG。
• 分布式执行：对于计算密集型 MRI 工作流，将 Cerebellum 的调度扩展到分布式计算集群。

---

六、核心思想总结与可借鉴点

BCER Agent 的核心思想可以用一句话概括：不要把医学影像工作流当成"LLM 逐生成工具调用"的序列问题，而要把它当成"声明式规划 → 编译型执行 → 符号绑定 → 有界恢复"的可靠系统工程；通过计划-执行分离消除级联故障，通过符号绑定消除幻觉引用，通过局部恢复控制故障代价，通过证据链满足临床可审计性。这个原则背后，是四层可迁移的方法论：

• 计划-执行分离：将高层医学推理与底层执行控制解耦，使错误在编译期暴露而非运行期级联。
• 符号工件绑定：为大体积、复杂格式的中间产物引入类型化数据流接口，消除 LLM 生成路径的幻觉风险。
• 有界局部恢复：将故障影响限制在最小范围，采用确定性修复优先、LLM 兜底的两阶段策略。
• 可审计证据链：使最终结论与中间工件、测量值和规则痕迹保持显式链接，满足临床可追溯性要求。

对研究者的借鉴：

1. 长程工作流的可靠性需要架构创新而非仅模型扩展：BCER 的跨主干实验表明，执行控制架构（编译、绑定、恢复）的回报可能超过单纯扩大模型规模。在设计长程 Agent 时，优先投资于控制架构。
2. "编译器思维"适用于复杂 Agent 设计：当工作流步骤超过 5-6 步时，反应式生成模式的错误率指数增长。引入编译期检查、依赖解析和类型绑定是跨越"编译器交叉点"的关键。
3. 领域特定的数据流接口是消除幻觉的有效手段：符号绑定机制（@node.*、@case.*）可推广到任何涉及大体积中间产物的领域（视频、科学计算、CAD）。为 Agent 引入"类型系统"比依赖 LLM 的"字符串生成"可靠得多。
4. 失败模式的结构性分析比整体准确率更有信息量：BCER 论文深入分析了每个控制器阶段的失败模式转移，这种分析揭示了架构改进的真实作用机制，远比单纯报告准确率更有学术价值。

对工程师的借鉴：

1. 渐进式消融是验证架构组件的最佳实践：ReAct → ReAct+Bind → ReAct+Bind+Ref → BCER 的渐进阶梯不仅量化了每个组件的贡献，更揭示了失败模式的结构性转移。在实际工程中，采用这种渐进式消融来验证新组件的价值。
2. 符号引用 + 运行时解析是生产级 Agent 的标配：如果 Agent 工作流涉及文件路径、数据库 ID、API 端点等引用，务必引入符号抽象层和运行时解析器，禁止 LLM 直接生成具体路径。
3. 两阶段故障恢复（确定性优先 + LLM 兜底）：在生产系统中，先尝试规则-based 的确定性修复（如参数范围修正、默认值填充），仅在规则失败时调用 LLM。这大幅降低恢复成本和不确定性。
4. 任务契约（Task Contract）是评估 Agent 的可靠框架：通过明确定义输入、目标、允许工具、必需里程碑和交付物，任务契约为 Agent 评估提供了客观、可复现的标准。这比自由形式的"看起来不错"评估严谨得多。
5. 可审计性设计必须从架构层面考虑：如果应用场景（如医疗、金融、法律）要求决策可追溯，必须在架构设计阶段就引入事件追踪、工件链接和结构化输出，而非事后补丁。
6. 跨主干验证证明架构的泛化性：在多个 LLM 上验证同一架构，能够区分"模型效应"和"架构效应"。如果增益在所有主干上一致，说明架构改进是真实有效的。

---

BCER Agent 通过 Brain-Cerebellum-Extremity-Reflector 四层架构，将医学影像长程工作流从反应式工具调用的级联崩溃困境中解放出来，以计划-执行分离、符号工件绑定和有界局部恢复为核心机制，在多器官 MRI 基准上实现了从 0% 到 99% 的长链任务成功率跃升，为医疗 AI Agent 的可靠部署建立了从架构设计到临床可审计性的完整工程范式，证明了"执行控制架构创新"在长程 Agent 系统中的决定性价值。