◆ The Learning Grove 林间拾穗

标签：state-management

  • 英偉達論文評析：長上下文並非必要與上下文壓縮策略 Best Partners TV
    英偉達研究院論文提出長上下文並非必要，透過會話結束壓縮（EOC）、單作用壓縮（SAC）與選擇性閱讀策略，在代理任務與長輸入中以短上下文達成相近精度並降低推算成本，同時提出語意狀態空間模型（SSM）概念。但其成本節約基於分級定價假設，且長輸入基準多偏向可檢索任務，長上下文能力仍具價值。
  • 构建可靠的生产级 Agent 基础设施：基于 Restate 的持久化执行与状态管理 AI Engineer
    随着 AI Agent 从单次问答演变为长生命周期、异步运行的分布式实体，传统 Agent SDK 难以应对网络故障、状态并发与人机协同等生产级基础设施挑战。本文结合 Restate 架构，深入探讨如何利用分布式事件日志、持久化执行（Durable Execution）、虚拟对象（Virtual Objects）与推送模型，构建具备容错自愈、双向交互控制及高并发隔离的生产级 Agent 技术栈。
  • 深度剖析 DeepSeek 最新的 Harness DSH：为了自进化这盘醋包了一整盘饺子 yage.ai
    文章深度剖析了 DeepSeek 新发布的 DeepSeek Harness (DSH)，它引入了‘命令式’插件模型，允许插件在 Harness 进程内运行并携带状态，从而实现运行时动态替换。DSH 引入了 Cordis 运行时框架来管理插件的生命周期、依赖关系和事务性回滚，这使得 Harness 具备了自我进化的潜力，能够动态替换核心组件如 Agent Loop，为 AI 系统提供了更灵活的架构演化路径。
  • ActiveGraph：重构智能体架构，从 LLM 中心走向日志中心化的自演进系统 AI Engineer
    BabyAGI 创始人 Yohei Nakajima 介绍了新型开源实验性智能体运行环境 ActiveGraph。该系统抛弃了传统的 LLM 中心化设计，转而围绕不可变的事件日志构建共享状态，通过行为（Behaviors）和策略（Policies）驱动多微工协作，并在长期记忆评估与 Kaggle 扑克牌比赛中展示了其优秀的故障恢复与自演进性能。
  • Agent 的基础能力正在收敛，产品化平台却分成了三条路 yage.ai
    文章探讨了Agent基础能力趋同后，产品化平台在状态管理和工作流处理上的三种主要路线。这三种路线分别是先部署运行环境（如Koyeb），先确定长期身份（如Cloudflare Durable Objects），以及先定义任务执行步骤（如Vercel Workflow）。核心思想是选择最适合自身需求的基础能力模型，而非简单地对比功能列表。
  • 模型的窗口不是无限大的垃圾桶：为什么智能体需要上下文治理 yage.ai
    文章探讨了在构建智能体（agent）时，如何从简单的上下文窗口管理转向更复杂的上下文治理。核心观点是，仅仅依靠增大模型窗口或简单地拼接提示词是不够的，真正的挑战在于建立一套运行期管理机制，以保护模型的注意力免受海量无关信息污染。文章提出了通过分层状态管理、动态过滤与压缩中间生成物、以及将文件系统作为最终上下文存储等运行时架构改变，来解决高昂的开销和延迟问题，强调系统需要知道很多，但模型这一轮不该看太多。
  • 两条相反的路：MCP 去状态，OpenAI 加状态 yage.ai
    文章对比了MCP和OpenAI在状态管理上的两种不同路径。MCP从隐式状态（stdio）演进到显式会话再走向无状态，是社区被动演进的结果；而OpenAI则主动通过平台战略推动有状态化，将推理过程和托管工具收归服务端，形成商业锁定。这种差异反映了开放标准与商业驱动的组织定位对协议演进方向的影响。
  • 生产环境中的AI Agent：OpenGov如何构建与规模化OG Assist AI Engineer
    本文详细介绍了OpenGov在生产环境中构建和规模化AI Agent系统（OG Assist）的实战经验。团队放弃了LangGraph，全面转向基于TypeScript Effect库的自研Agent循环，实现了高细粒度的并发控制、日志追踪和错误处理。同时，文章探讨了Google的A2A协议应用、隔离安全沙箱机制、长上下文滚动摘要管理，以及运行时的生成式UI设计，为企业级Agent的落地提供了系统化的技术参考。
  • 日志即智能体：重构 AI 系统的持久化与架构范式 AI Engineer
    Omnara 首席执行官 Ishaan Sehgal 提出“日志即智能体”的核心理念，主张将智能体定义为只追加的事件历史日志，而非模型或运行时环境。这种架构设计不仅从工程上自然解决可靠性、可扩展性、多端协同和平台迁移等痛点，还能确保用户对智能体最核心的私密数据资产拥有自主所有权，避免日志锁定。
  • 从混乱到有序：行之有效的多智能体系统编排模式 AI Engineer
    Sandipan Bhaumik 分享了构建可扩展、可靠多智能体 AI 系统的经验。她阐述了从单智能体到多智能体的复杂性爆炸，介绍了编舞（Choreography）和编排（Orchestration）两种核心协调模式，并强调了不可变状态快照、版本控制、数据契约、断路器模式和补偿模式在故障恢复中的关键作用。演讲最终展示了一个生产级别的 Databricks 架构，强调了从构建演示到构建生产系统的转变。