这周 ArXiv 有两篇论文在说同一件事——agent 出事后怎么查。我觉得这才是判断外壳该不该公共的正确切入点:不看场景像不像,看故障同不同源。结论偏保守:trace、权限、恢复点、计量这四样该收成公共机制,循环控制和上下文拼装先别动,谁用谁写。“分头写短期最快、但同类故障会重复出现”这话我认,前提是故障真的同源——而现在多数团队连判断同源的证据都没有。
事故回放这两篇,其实在给公共外壳划底线
ROGUE-AI 想做的是复现 agent 的安全事件,Backtracking Agent Applications Security Incidents 想定位 CEP,也就是攻击从哪个入口进来。两篇都在抱怨同一件事:现在的故障报告只写“发生了什么”,很少验证根因。Replit 那个编码 agent 删生产库的例子被反复引用,但没人说得清是权限没收紧、工具返回值被误读,还是重试逻辑把删除操作放大了。
这三种可能,全是机制,不是策略。所以回放能力、事件 schema、恢复点语义该收。但收的理由不是“统一架构好看”,是因为你现在连判断故障同不同源的材料都凑不齐——日志格式都不一样,谈何收敛。
托管运行时已经在卖了,卖的多半是运维
HN 上 Maritime 和 StarSling 同周出现,一个托管 agent 云,一个给“agent 产量型仓库”做 CI。公共外壳这件事已经有人当生意做了。但看它们的定位,卖的是隔离、配额、日志、审计——运维层,不是“帮你管 agent 循环”。
这个区分重要。公共基础设施好卖,边界清楚;公共抽象层难卖,因为你一旦定义了什么叫“通用循环”,接下来每个客户的场景都要往里塞特例。塞到第十个,配置项就成开关矩阵了。我不信有人能靠配置覆盖住 deep research 和 coding agent 的差异。
凭据和审查点,这两样分头写一定会出事
这篇讲怎么不把凭据交给 coding agent 的做法值得抄:agent 不拿真 token,走一个受限代理。这是机制。你在 A 场景做对了,B 场景重写外壳时忘了,就是一次事故。
同理,哈佛那篇说 AI coding agent 把瓶颈挪到了 code review。人审点在外壳里的位置也是机制:中断在哪、恢复从哪继续、审完的结论怎么回填上下文。每个场景自己发明一套,审查者要学 N 套心智模型。
顺带一句,Windows 11 在统计你用哪个 coding agent 那条我读着别扭,但它说明计量口径已经变成别人的基础设施了。自己再定义一套 token 计数,跨场景对不上账。
该留在场景里的,是“什么时候做”
Seer 这篇给了个挺清楚的分界:让 deep research agent 在本地跑小模型,但决策模型是共享的。共享的是“下一步该搜还是该读”的判断接口,不是整个循环。搜索、阅读、验证的编排顺序,还是场景自己的事。
我现在的判断依据就一句:差异落在“什么时候做、做哪个”,是策略,留场景;落在“怎么记录、怎么恢复、怎么授权、怎么计数”,是机制,上收。
按这个标准,上下文拼装是半个机制半个策略——压缩时机的判断是策略,压缩后的格式是机制。这块我还没想清楚,先不动。
先冻接口,别急着抽实现
所以不是“平台 vs 分头写”的二选一。先把 trace 与事件 schema、权限声明、恢复点语义、计量口径这四样冻成接口,实现各写各的。等第三次同源故障出现,再把重复的那段抽出来。
分头写短期确实最快。麻烦在于重复的故障会以“不同场景的不同 bug”的形式出现,你很难意识到是同一个。这就是为什么第一步该统一记录,而不是统一框架。
一个可能打脸我的方向
模型自己在学做上下文管理,长任务的压缩、规划、重试越来越多被模型内化。如果这个趋势继续,循环控制这一层的价值会掉得比我预期快,那公共外壳里真正剩下的就只有权限和审计。
按我现在看这是好事——剩下的恰好是最该统一的部分。也许 6 个月后回头看,上面这套分界就得重画。