COBOL 到 Python 现代化中的确定性编排与 LLM 控制编排对比研究

针对遗留 COBOL 系统现代化难题，本文研究了基于大语言模型（LLM）的智能体工作流。通过控制实验，在保持模型、工具及代码不变的前提下，对比了确定性编排与 LLM 控制编排的效果。结果显示，确定性方法在保证功能正确性的同时，显著提升了最坏情况下的鲁棒性，降低了运行波动，并将令牌消耗减少高达 3.5 倍。研究表明，在具有明确验证阶段的结构化工程中，固定执行策略比全智能体编排更稳定且成本更低。