当前标签：Agent 技术 · 共 90 篇
把工具注册中心从“配置文件“升级为完整工程子系统:覆盖 schema 演进的四步纪律、版本路由的三层模型、降级链的故障转移图,以及 trace/metrics/log 三层埋点 + SLO burn rate 追踪;所有结论来自 2026 年 8 月生产环境实测,跨 14 天 0 命中差异化。
把工具调用训练视为带结构化约束的 POMDP，从策略梯度、信用分配、与 SFT 谱系三个角度给出统一形式化，并提炼出七条工程推论与可观测性建设建议。
把不可信代码关进双层沙箱——firecracker microVM 给硬件级隔离,seccomp 与 Landlock 给 syscall 与文件系统白名单——并把进/出流量、超时、违规事件全部接入 OpenTelemetry 审计栈,让 Agent 在生产里替你安全地跑 shell、跑浏览器自动化、跑用户提交的脚本。
用 Pearl 因果阶梯重写 Agent 决策栈,把 do-calculus 三规则作为下一代 Agent 推理内建原语,在 SCM 框架下统一策略评估、离线强化学习与反事实后悔最小化,并给出 9 条工程实践清单。
把 OS 级调度原理移植到 Agent runtime:从 CFS vruntime 到 POSIX 优先级继承、从工具调用熔断到 checkpoint 事务性保证,系统化解决长任务饿死、链式反转与可恢复执行四大工程问题。
从自由能原理到相对熵规划的相变几何，把风险敏感的指数效用、CVaR 优化、Tsallis 统计与 KL 正则 RL 在同一个对偶结构上对齐，并通过策略空间的二阶相变给出工程调参的几何指引。
Schema 兼容性判断、灰度发布与降级策略——构建生产级 Agent 工具注册中心的三大工程支柱。
把 Agent 推理轨迹视为高维点云,用持续同调提取其形状,以 Betti 数曲线与 Mapper 算法可视化决策回路,在工程上实现路径聚类、异常检测与失败归因的统一框架。
将主动制造故障的工程文化引入 LLM Agent 系统，通过四层故障注入拓扑和五阶段放量法，在受控实验中验证 Agent 系统的韧性边界。
把 Agent 决策建模成带 oracle 的电路图，从 AC0/TC0/P-complete 的层级看 ReAct、Plan-and-Execute、Tree-of-Thoughts 的深度与宽度边界，以及 LLM 在电路视角下的复杂度分类与工程推论。
把上下文管理从“塞进去就行”的工程债,转译为 token 预算、注意力权重与语义距离的三维优化问题,再用固定窗口、摘要压缩、重要性锚点三层滑动策略协同,把 Agent 长会话的失败率压低到可观测的 SLO 之内。
把 Agent 的策略选择、上下文压缩、抽象层级统一视为最小描述长度的优化问题，从而把“为什么这样做”从直觉工程升级为可计算、可证伪的信息论推断。
把 agent 任务编排从线性 chain 升级为 DAG,配合 event sourcing 与 stub replay,把 LLM agent 从难以复现的黑盒变成可调试、可重放、可观测的工程系统——这是 LLM agent 从 demo 走向 production 的必经之路。
把长会话 Agent 的叙事一致性视作记忆复形上的同调不变性,给出一条精确的代数判别——单群秩守恒、相干遗忘的右逆存在、瓶颈下界守住。三件套把叙事崩从观察性的事后分析提升为可计算的预判。
当 Agent 的工具调用从演示走向生产，成本不再只是 token 账单里的一行，而是横跨第三方 API、向量检索、代码执行、网页抓取、模型级联等多个独立计费源的复合经济学，本文系统化拆解 cost-aware routing、per-tool token budget、cost observability 三件套在 2026 年的工程真相与生产落地路径。
把 Simon 的有限理性从约束情境重写为可计算的认知预算分配问题, 用熵正则化的序列决策统一了满意化、启发式截止与 reflection 频率三种早期退出形式, 给出 Agent 在算力-时间-信息三重约束下的最优停止准则, 把 ReAct、Reflexion、Plan-and-Execute 三种推理范式归纳为同一框架的局部最优解。
把会话状态、工具副作用、外部资源依赖三层统一为可校验、可重放、可补偿的工程对象，在崩溃、网络分区、模型升级三种典型故障下做到语义级恢复。
把多智能体协作视为受限信道下的演化博弈过程,把收益收敛、后悔最小化、通信拓扑、信息瓶颈压缩统一为四元组框架下的均衡收敛性定理,推导通信预算下的 replicator dynamics 收敛上界。
把工具调用的语义等价性拆成 I/O 同构、副作用同构、不确定性同构三层,配合轨迹回放、差分测试、LLM-as-judge 三类机制,把 schema 通过但行为漂移的隐性事故变成可量化的显性回归信号。
把工具学习视为元学习、组合性视为函数空间逼近、工具先验视为贝叶斯归纳,证明组合性泛化是元学习效率、函数秩容量、贝叶斯先验三者乘积,把 Agent 工具调用从 prompt 工程提升为可量化的归纳偏置理论。
