重塑 Agent 邊界：跨進程架構如何隔離故障、追溯協作
當前的 AI Agent 如同脆弱的單體應用，一個插件崩潰就可能拖垮全局。一篇新研究提出的跨進程架構，透過重新劃定故障域與訊息邊界，展示了如何打造更具韌性、可追溯的協作系統。這不僅是容錯技術的演進，更是邁向可治理、可信任 AI 系統的關鍵一步。
多 Agent 系統的韌性不取決於程序數量，而取決於故障、訊息與狀態是否有清楚邊界。將協作移到跨進程 bus 與可回放事件紀錄，能把單點失敗隔離在局部，並讓決策、交接與恢復責任成為可追溯的運行時證據，避免局部例外擴散為全局停擺。
為什麼當前的 Agent 如此脆弱？
目前多數 Agent 框架的設計，是將一個主循環（main loop）作為核心，在這個循環中依序調用語言模型、解析回覆、選擇工具、執行工具，然後將結果送回模型。所有工具，無論是網路搜尋、程式碼執行或檔案讀寫，都以函式庫或類別的形式存在於同一個記憶體空間。這種緊密耦合的架構雖然開發快速、易於理解，卻也埋下了系統性風險。
想像一個 Agent 需要同時處理三項任務：監控社群媒體、分析使用者數據、並根據分析結果自動生成報告。如果社群媒體的 API 插件因為對方伺服器問題，陷入了超過 30 秒的漫長等待，這個單一的阻塞點就會凍結整個進程。數據分析和報告生成任務也會被迫停擺，整個 Agent 的反應能力化為烏有。這就是一個典型的「故障域」擴散問題：單點故障（single point of failure）被放大為全局災難。
在這種單體架構下，除錯也變得異常困難。所有事件、狀態變更和工具調用都混雜在同一個日誌流中，要釐清因果關係，就像在泥水裡找一根針。當系統變得複雜，這種脆弱性將成為其可靠性的致命傷。
Logos 框架：用跨進程總線重新定義邊界
這篇關於 Logos 框架的論文，其核心思想是借鏡微服務架構，將 Agent 的不同功能模組拆分成獨立的進程，並透過一個中央訊息總線進行通訊。在這個模型中，主控的 Agent 核心、網路搜尋插件、程式碼直譯器等，都各自運行在自己的沙盒環境中。它們不再直接調用彼此的函式，而是向總線發布（publish）事件，並訂閱（subscribe）自己感興趣的事件。
這種設計帶來了幾個顯著的優勢：
- 故障隔離（Fault Isolation）：每個插件都是一個獨立的進程。即使程式碼執行插件因為無限迴圈而崩潰，它也只會終結自己的進程，而不會影響到 Agent 核心或其他插件的運作。主控核心可以偵測到這個故障，並決定是重啟該插件，還是改用其他工具來完成任務。故障域被成功限制在單一節點。
- 明確的訊息邊界（Clear Message Boundaries）：進程間的通訊必須遵循預先定義好的「合約」（contract），例如固定的訊息格式與主題。這強迫開發者思考清晰的介面，避免了單體應用中常見的「義大利麵式」相依關係。這種通訊模式可以透過成熟的函式庫如 ZeroMQ（例如其 4.3 版本）或 NATS 來實現，它們能處理每秒數百萬條訊息的吞吐量。
- 資源獨立（Resource Independence）：每個進程有自己的資源配額，可以獨立擴展或限制其 CPU 和記憶體用量，讓系統資源管理更具彈性。
如何管理分散進程的狀態與協作紀錄？
將 Agent 拆分為多個進程後，一個關鍵問題隨之而來：如何同步狀態並確保所有行動都可追溯？如果每個進程都維護自己的狀態，很快就會陷入數據不一致的惡夢。Logos 的解法非常優雅：利用大型語言模型（LLM）本質上的無狀態特性，將所有共享狀態集中到一個僅能追加的日誌（append-only log）中。
這個 append-only log 成為了系統唯一的真相來源（single source of truth）。任何進程的行動、觀察結果或 LLM 的決策，都會被記錄為一條不可變的事件，並廣播到總線上。其他進程透過讀取這個日誌來了解系統的當前狀態。
這種基於事件溯源（Event Sourcing）的模式，徹底改變了狀態管理的思維。LLM 不需要「記住」之前的對話，它只需要在每次決策前，讀取事件日誌的相關部分作為上下文（context）即可。這種設計的深遠意義在於：
- 可回放與可除錯：當 Agent 行為異常時，我們可以精確地回放整個事件日誌，重現它做出錯誤決策前的完整上下文，這對於除錯複雜的多 Agent 系統（Multi-Agent Systems）尤其重要。
- 可追溯與可審計：每一筆決策都有清晰、不可竄改的紀錄。這對於需要高透明度和責任歸屬的應用場景（如金融交易或醫療診斷輔助）至關重要，為未來的 AI 治理提供了堅實的技術基礎。
從單體架構走向跨進程總線，不僅僅是提升系統的穩定性。它更深層的意義在於，我們開始用一種更成熟的軟體工程思維來構建 AI 系統。透過明確劃定故障、訊息和狀態的邊界，我們才能打造出真正能夠在真實世界中長期運行、可信任且可治理的 AI Agent。這一步，是從打造「聰明的玩具」邁向建構「可靠的工具」的關鍵轉變。
我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。