随机驱动

解决的问题

Agent 工作流通常是确定性的：给定目标后，模型会沿最稳妥的顺序调用工具、产出结果。这在大多数任务上没问题，但当任务本身需要探索——比如多个分支都值得尝试，或需要跳出局部最优——确定性流程就会反复走同一条路。

Random Driven 针对的就是这一点。它把随机性作为一种驱动机制放进 Agent 决策中，让流程在关键节点引入非确定性的选择，而不是永远选最短路径。

它如何工作

这个技能发布在 ai-agent 分类下，规范名为 @user_e02e04b8/random-driven。核心思路是在 Agent 的决策点注入随机因素：

• 决策点注入：在工具选择、分支跳转等位置引入随机性，打破固定序列。
• 探索与收敛：随机选择用于探索新路径，收敛仍依赖模型自身的判断。
• 以技能形式挂载：通过 SKILL.md 描述，供 Agent 在运行时按需加载。

需要说明的是，目前公开的 SKILL.md 内容极简，只包含技能名称和规范名，没有详细的行为说明、参数或输出格式。上述描述是基于名称与分类的合理推断，实际行为需要对照源码验证。

适用边界

• 不要假设行为细节：文档未给出随机策略、种子控制或回退机制，使用前先读源码。
• 非确定性意味着不可复现：如果随机性参与最终结果，同样输入可能得到不同输出，需要自行做一致性测试。
• 适合探索型任务，不适合强一致性场景：对需要严格确定性输出的场景，应保持谨慎或增加后处理。