Posts

引言：当多 AI 并行成为默认 2023 到 2025 年间，AI 编程工具完成了从自动补全引擎到自主 Agent 的进化。Claude Code 能阅读整个代码库、推理架构约束并实现多文件功能。Codex CLI 可以执行 Shell 命令、运行测试并根据失败信息迭代。Gemini CLI 能分析大型代码库并生成全面的重构计划。 每个工具单独使用都足够强大。但当两个或更多工具并发运行时——这在工程团队尝试跨特性分支并行化 AI 辅助开发时越来越常见——问题出现了：瓶颈从「AI 能否写代码」转移到了「多个 AI 能否在同一代码库上协同工作而不互相摧毁」。 答案在大多数团队中是「不能」。 本文以 NXTG.AI 开源的 Forge 项目1为锚点，用熵增理论框架分析多 AI 协作的系统性困境：为什么三个 Agent 并发编辑同一个仓库会产生 merge 冲突、知识蒸发和架构漂移这三种必然的熵增现象，以及 Forge 的文件锁、知识飞轮和漂移检测三个核心机制如何构成一个逆向熵增的工程系统。 1. 多 AI 协作的三种熵增现象 热力学第二定律告诉我们：孤立系统的熵永不自发减少。多 AI 协作系统在并发运行时就是一个典型的孤立系统——多个自主 Agent 在没有协调层的情况下操作同一个共享资源（代码库），信息熵自发增大，表现为三种具体的系统故障。 1.1 Merge 冲突：信息位叠加的不可逆损耗 两个 Agent 同时编辑同一个文件，各自产出了一系列修改。当这些修改最终汇聚到 Git 时，产生了不可调和的冲突节点。这不是 Git 的缺陷，而是两个独立信息流在同一个时空中叠加后产生的熵——两个 Agent 在各自的上下文中做出了局部最优决策，这些决策在更高层次上却是互斥的。 从信息论角度，每个 Agent 的编辑可以看作一次信息压缩操作。在单 Agent 场景下，上下文窗口提供了足够的历史信息来保证压缩的一致性。在并发场景下，上下文窗口相互独立，信息压缩失去了共享参考系，熵增体现在合并时的信息损耗——必须丢弃一个 Agent 的部分或全部工作。 1.2 知识蒸发：跨会话信息的热力学逃逸 Agent A 在一次会话中发现了数据库迁移必须在 API 服务器启动前运行的约束条件。Agent B 运行在完全独立的上下文窗口中，对 Agent A 的发现毫无感知，按错误顺序部署了 API 服务器并花费 20 分钟调试由此产生的问题。 ...

引言：从「一个 prompt 打天下」说起 大多数团队搭建 LLM 工作流的方式至今仍然是：写一个超长的 system prompt，塞进所有工具描述，再接一段「请仔细思考后选择工具」，祈祷模型能正确路由。 当这条流水线出问题时，没有日志、没有断点、没有回归测试——只有翻看 provider 后台记录，然后反复修改 prompt 碰运气。 Gambit 试图解决这个问题。它将 LLM 工作流拆解为多个「牌组（Deck）」的组合，每个 Deck 有显式输入/输出类型定义和护栏（Guardrails），在本地即可运行、调试和测试。 本文从系统设计的角度，解析 Gambit 的核心架构与它对 AI 工程化的启示。 现状：LLM 工作流的四个结构性缺陷 Gambit 官方 README 开篇就列出了当前行业的四个痛点1： 缺陷 具体表现 单体 prompt 一个 prompt 绑定所有工具，路由依赖 prompt 工程的脆弱黑盒 上下文倾倒 每次调用把全部 RAG 结果或历史记录整块注入，成本高、幻觉多 无类型 I/O 输入输出都是字符串，Orchestration 逻辑无法静态检查 调试黑盒 只能看 provider 日志，本地无法复现和回归测试 这四个问题相互加剧：没有类型约束 → 无法做单元测试 → 只能靠 prompt 调优 → 调优结果无法回归。 核心概念：Deck 与 Card Deck：最小执行单元 Gambit 的 Deck 是整个框架的核心抽象。一个 Deck 约等于一个带有类型化输入输出定义的函数： ...

一个真实的安全事件 今年 2 月，安全研究员 Ilia Tishin 在自己的博客上记录了一次罕见的"攻击"经历1：有人利用 AI Agent 系统性地搜集他的个人信息，生成攻击性内容，并发布到公共平台上。整个过程不需要攻击者逐条干预每一个步骤——Agent 自主完成了从情报收集到内容分发的大部分工作。 这不是孤例。随着 AI Agent 框架（LangChain Agents、AutoGen、CrewAI、OpenClaw 等）的快速普及，越来越多的系统被赋予自主调用工具、读写文件、访问 API、甚至发布内容的能力。但这些能力的增加，也带来了前所未有的安全攻击面——而大多数开发者并非安全专家。 这是一个典型的安全供需错配：框架把能力给了开发者，却把安全责任也一并丢给了开发者。 最近在 GitHub 上出现了一个值得关注的项目——AgentArmor2，它尝试用一套系统化的 8 层安全框架来解决这个问题。本文就来拆解它的设计逻辑，以及这背后反映出的 Agent 安全现状。 为什么现有安全工具都是"点方案" 在 AgentArmor 之前，市面上的 AI 安全工具大多是单点出击： 输出过滤器：检测生成内容是否有毒 Prompt 注入扫描器：检测输入中是否有注入攻击 策略引擎：基于规则判断是否允许某操作 这些工具各有价值，但无法组合成一个完整的安全系统。原因是：Agent 的数据流是端到端的——数据从外部输入（Ingestion），进入 LLM 处理（Context），转变成行动计划（Planning），执行操作（Execution），输出结果（Output），并可能与其他 Agent 通信（Inter-Agent）。在每一个阶段，数据都有不同的脆弱性。 点方案只能覆盖一个阶段，攻击者只需要找到你没有覆盖的那个阶段就可以突破。 八层安全架构 AgentArmor 提出的核心思想是：为 Agent 的整个数据流设计 8 层纵深防御。 graph TD subgraph "AgentArmor 8-Layer Defense" L1["L1 Ingestion<br/>输入扫描：Prompt 注入检测"] L2["L2 Storage<br/>存储安全：AES-256-GCM 加密"] L3["L3 Context<br/>上下文隔离：指令-数据分离"] L4["L4 Planning<br/>行动计划：风险评分"] L5["L5 Execution<br/>执行控制：速率限制+人工审批"] L6["L6 Output<br/>输出过滤：PII 脱敏"] L7["L7 Inter-Agent<br/>多 Agent 通信：HMAC 认证"] L8["L8 Identity<br/>身份与权限：JIT 权限 + 凭证轮换"] end L1 --> L2 --> L3 --> L4 --> L5 --> L6 --> L7 --> L8 style L1 fill:#f59f00,color:#fff style L5 fill:#ef4444,color:#fff style L8 fill:#7c3aed,color:#fff 每一层都针对数据流中一个特定位置的特定威胁。 ...

大模型的本质：一只戴着数学面具的随机猴子 在深入 ERA 框架之前，需要先接受一个反直觉的事实：大语言模型本质上是一个极其复杂的"下一个词预测器"。它的工作原理，从信息论角度看，和一只在键盘上随机敲击的猴子没有本质区别——区别只在于，这只猴子敲的每一个键，都受到了前面所有键的概率分布约束。 当模型说"我认为答案是…"，它实际上是在说：“在看过 trillions 个token之后，根据我学到的语言统计规律，在当前位置的词表中，每个词作为下一个词出现的概率分别是…"。它不是"思考"后得出结论，而是穷举了所有可能路径的概率加权后坍缩到一个结果。 这个过程在信息论中有一个精确的量：熵（Entropy）。熵描述的是一个随机变量或过程的不确定性。LLM 的输出在没有任何约束的情况下，熵是极高的——模型几乎可以输出任何合理的词序列中的任何一个。这种高熵状态，就是我们通常说的"模型在胡说八道"或"幻觉”（hallucination）的本质：它不是在说谎，它只是在忠实地履行一个概率预测器的职责，只是这个职责恰好在某些边界情况下产生了我们不想要的结果。 熵减控制的本质：把"随机漫步"变成"有轨电车" ERA（Entropy-Reduction Architecture，熵减提示词架构）的核心命题是：如果我们把 LLM 的输出过程看作一个熵减过程——从高熵的不确定状态，经过一系列"约束过滤器"逐步压缩到低熵的确定输出——那么 prompt 工程就不再是一门玄学，而是一门可以系统化设计的控制理论。 把 LLM 放进一个需要高质量输出的业务流程时，我们实际上是在设计一个控制系统。系统的输入是用户模糊的、充满噪声的自然语言，系统的输出应该是具体的、确定的、符合业务需求的内容。 而这个控制系统的设计，本质上就是熵减过滤器的排列组合。 五层过滤器的工程拆解 ERA 提出了一个五层过滤模型，每一层负责移除特定类型的"熵增噪声"，最终把输出压缩到业务可接受的范围。 第一层：身份域（Identity Domain）——设定基础概率分布 这一层解决的问题是：“以什么身份、什么视角、什么基线概率来回答问题？” 很多人以为 prompt 的角色设定只是一个风格技巧，但 ERA 的视角完全不同。角色设定实际上是给模型的概率分布打了一个基底偏移（bias shift）。 没有身份设定时，模型对所有输出的预设是"面向普通互联网用户的通用助手"。加上"你是一个资深金融风控分析师，有 15 年信用评估经验"之后，模型的输出概率分布发生了根本性偏移——“杠杆收购"“债务覆盖率"“Z-Score"这类专业术语的出现概率急剧上升，而"太棒了！““让我帮你分析一下"这类口语化表达的出现概率急剧下降。 这就是为什么同样的问题，“让 ChatGPT 用小学生能听懂的话解释量子力学"和"让量子物理教授解释量子力学"会给出截然不同的答案。不是模型能力变了，是基底概率分布变了。 第二层：知识域（Knowledge Domain）——注入确定性事实输入 这一层解决的问题是：“在什么事实基础上回答？” LLM 的知识有两大缺陷：知识的截止日期性（不知道训练之后的最新信息）和知识的概率性（对模糊边界的记忆是权重分布，而不是精确事实）。 知识域的设计引入了 RAG（检索增强生成）或结构化上下文注入技术，本质上是在回答之前先把一批确定性的事实强制塞入模型的上下文，让模型在回答时以这些事实为条件，而不是以它自己模糊的权重记忆为条件。 金融场景中一个常见做法是：在系统 prompt 中明确注入"以下是今天的市场数据：USD/CNY = 7.23，BTC = 672,000…"——模型在这个上下文条件下回答时，不会再去依赖它训练时学到的、可能已经过时的汇率记忆，而是基于你注入的精确数据做推理。 第三层：算法域（Algorithm Domain）——规定处理逻辑的步进轨道 这一层解决的问题是：“用什么样的逻辑流程处理输入？” 大多数"prompt 不 work"的问题出在这一层——给模型一个模糊的目标（如"帮我分析一下这个产品”），然后期望它自动找到正确的分析路径。但模型在这种情况下会做随机游走，每次运行结果可能都不一样。 算法域的典型设计模式包括： Chain-of-Thought（CoT）：强制模型输出推理步骤，而不只是最终答案。本质上是把一个高熵的"直接输出"拆解成多个低熵的"步骤输出”，中间每一步都可以被校验 Tree-of-Thought（ToT）：在复杂问题空间允许模型探索多条推理路径，每条路径都是独立的低熵序列，最后通过某种评分机制选出最优路径 DSPy 框架的编译器思路：把 prompt 逻辑本身变成一个可以优化的程序，而不是固定的文本 第四层：边界域（Boundary Domain）——切断非法概率区间 这一层解决的问题是：“什么绝对不能说、不能做？” 边界域是大多数 prompt 教程中最忽视、但实际上最关键的一层。LLM 的输出空间是巨大的，在某些区域（涉及违法行为、敏感内容、专业建议边界等），即使其他所有层都设计得完美，只要模型在这些高风险区域内的概率不为零，实际运行时就有可能触发——特别是在对抗性输入或罕见 edge case 出现时。 ...

一个几乎每个团队都踩过的坑 去年年底，某中型技术团队上线了一套"AI 自动编程流水线"——基于 GPT-4 和代码仓库，每天自动完成 Issue 分解、代码编写和 PR 提交。前三天一切顺利，团队颇有成就感。 第四天早上，他们发现：Agent 在凌晨 3:17 因为一次 API 超时陷入死循环，在 Slack 群里疯狂刷屏了 400 多条错误日志，但没有任何机制让它停下来。值班工程师被叫醒后花了 2 小时才手动终止进程、清空状态、重置上下文。 这不是某家公司的个别故障。当我们把 LLM 放进一个需要长时间运行的自动化流水线时，几乎必然遇到三个结构性难题：LLM 无状态、任务周期远超单次调用时长、API 不稳定。而大多数团队用来解决这些问题的方案，要么过度依赖人工盯守，要么干脆祈祷 API 别出问题。 OpenClaw1 试图回答一个更根本的问题：如果把 AI Agent 当作一台计算机而不是聊天机器人来设计，这些问题是否可以被工程化地解决？ 为什么说"AI 编程助手"这个定位错了 在深入 OpenClaw 的架构之前，需要先纠正一个常见的理解偏差。 当我们用"AI 编程助手"来描述 Claude Code、Copilot Workspace 这类产品时，隐含的假设是：人类的每一次操作，都是一次独立的、完整的会话。用户给一个指令，AI 给一个回复，结束。 但一旦你开始构建自动化流水线，这个模型立刻崩塌——因为流水线的核心特征是：异步性（任务可能跨越数小时甚至数天）、容错性（中途可能有 API 超时、网络抖动、模型幻觉）和状态持久性（下一轮执行必须知道上一轮做到哪了）。 OpenClaw 的核心洞察是：LLM 本身是一个无状态的"CPU"，而不是一个有记忆的"服务器"。 因此，要构建长期运转的 AI 流水线，必须给它配上一块"硬盘"——也就是持久化的状态文件。 这就是 OpenClaw 的架构起点。 离散状态机：把连续任务切成互不干扰的阶段 OpenClaw 采用了离散状态机（Discrete State Machine）的设计思想。简单来说：它不要求 AI 在一次调用中完成整个复杂任务，而是把任务切分成多个阶段（Phase），每个阶段都有明确的输入文件、输出交付物和状态转移条件。 stateDiagram-v2 [*] --> Idle: 项目初始化 Idle --> Phase1_Architecting: 启动架构设计 Phase1_Architecting --> Phase1_Architecting: 执行中 Phase1_Architecting --> Waiting_HITL: 架构文档生成完毕 Phase1_Architecting --> SelfHeal: 超时/崩溃检测 Waiting_HITL --> Phase2_Coding: 人类批准 Waiting_HITL --> [*]: 人类拒绝 SelfHeal --> Phase1_Architecting: 重试 SelfHeal --> Phase1_Architecting: 跳过（已完成） Phase2_Coding --> Phase2_Coding: 执行中 Phase2_Coding --> Waiting_HITL: 危险操作需确认 Phase2_Coding --> Phase3_Testing: 编码完成 Phase3_Testing --> Phase3_Testing: 执行中 Phase3_Testing --> [*]: 测试通过/终止 每一轮调度（通常是 Cron 触发），Agent 醒来后第一件事不是"直接干活"，而是读取状态文件，确定自己处于哪个 Phase、上一轮完成了什么、接下来该做什么。 ...

一个让工程师失眠的 Bad Case 2025 年中，某金融科技公司在内部知识库问答系统中引入 RAG（检索增强生成）。系统上线后，用户反馈普遍不错——直到某天，一个风控团队的用户问：“我们有哪些客户曾经有过信用违约记录？” RAG 系统检索返回了三条"高相关"文档，AI 基于这些文档给出了自信满满的答案。风控经理看完后直接冷汗：系统返回的内容全是关于"信用良好客户"的正面案例，和用户的查询意图完全相反。 事后排查发现，问题出在向量检索阶段。用户的查询"信用违约记录"和文档中大量出现"信用"“违约"字眼的高频正面记录产生了极高的余弦相似度，而真正描述违约事件的文档因为语言表达更隐晦，反而相似度偏低，被 Top-N 过滤掉了。 这是一个典型的向量检索只看词不看语义关系的失败案例。1 向量检索的物理课：两个不相识的学生在各自考试 理解为什么向量检索会"看走眼”，需要先理解它的工作原理。 向量检索的核心是Bi-Encoder（双编码器）架构。当你把文档存入向量数据库时，每个文档都会通过一个 Encoder 被压缩成一个固定长度的向量——通常 768 维或 1024 维。这个过程发生在入库时，与用户未来的查询完全无关。 当用户发起查询时，查询文本同样通过 Encoder 生成一个查询向量。然后，数据库在高维空间中做最近邻搜索（通常用余弦相似度或内积），找出与查询向量"距离最近"的 N 个文档。 这个过程有一个非常关键的特征：Query 和 Document 的编码是独立完成的，它们从未"见面"。 斯坦福大学 NLP 组有一个很直观的比喻：就像两个学生分别在不同的考场同时参加考试，学生 A（Query 编码器）看了一眼题目后把答案写成压缩笔记，学生 B（Document 编码器）提前把教科书内容写成压缩笔记。考试结束后，系统只是比较这两份笔记的"形状"有多像，而不知道题目问的是什么。 这解释了为什么"信用违约记录"的查询会匹配到"信用良好客户"文档：两份文档都高频出现"信用"字眼，它们的向量在语义空间中距离很近，而模型根本不知道"违约"和"良好"是反义词。 重排模型：让 Query 和 Document 当面对质 Cross-Encoder（交叉编码器）采用了完全不同的策略。 它不做"独立压缩"，而是把**[Query + Document] 拼接成一段完整文本**，一次性通过一个深度神经网络（如 BERT）。在这个过程中，模型的注意力机制（Self-Attention）会在每一个 token 层级做交叉比对——当读到 Query 中的"违约"时，它会立刻去 Document 中寻找是否存在"违约"、是否存在语义矛盾、是否存在否定结构。 这种"当面对质"的方式，让 Cross-Encoder 能捕捉到 Bi-Encoder 完全无法处理的关系： 语义否定：Query “如何不用 Python” vs Document “Python 教程”——Bi-Encoder 会给高分，Cross-Encoder 能识别"不"的否定作用 长距离依赖：查询涉及某个条件组合，文档在开头提到条件A、结尾提到条件B，Cross-Encoder 的注意力能跨越全文找到同时满足两个条件的文档 细微差异：两份文档语意相近但立场相反（如上面的违约案例），Cross-Encoder 能识别出差异 用一个直观的对比表总结： ...