@ghumare64: 这是你今天可能读到的最简洁的架构设计之一。将独立的工作单元组合在一起时，它们…

X AI KOLs Timeline 新闻
workers architecture agentic-backend production-ready composable-system queue observability

摘要

一种用于构建智能代理后端的架构方法，该方法使用独立的工作单元，这些单元可以在没有集成代码的情况下组合在一起，并运行在一个共享引擎上，该引擎提供队列、状态、发布订阅、可观测性、HTTP、沙箱和定时任务功能。

这是你今天可能读到的最简洁的架构设计之一。 将独立的工作单元组合在一起，它们就构成了智能代理后端：harness、context-manager、session-manager、llm-router。从外部看，它们像是四个层次。但在内部，它们之间没有集成代码。 每个工作单元都运行在同一个引擎上，该引擎也提供队列、状态、发布订阅、可观测性、HTTP、沙箱和定时任务功能。添加一个工作单元，就能获得整个系统的能力。 添加队列支持只需调用 iii.trigger("queue::enqueue")。添加可观测性只需执行 iii worker add iii-observability。 这就是当后端是"组合"而不是"组装"时，"默认生产就绪"的样子。
查看原文
查看缓存全文

缓存时间: 2026/06/10 00:25

这可能是你今天能看到最干净的架构之一。

将各个工作单元分开，组合在一起时便形成了智能后端。它包含 harness、context-manager、session-manager、llm-router。从外部看像是四层，内部各层之间没有任何集成代码。

每个工作单元运行在相同的引擎上，该引擎提供队列、状态、发布订阅、可观测性、HTTP、沙箱和 cron 等基础设施。添加一个工作单元，就能获得整个系统的能力。

要添加队列支持，只需调用 iii.trigger(“queue::enqueue”)。要添加可观测性，只需执行 iii worker add iii-observability。

这就是“默认生产就绪”的样子——当后端是由组件组合而成，而非拼装而成时。

相似文章

Agentic AI 工作流的架构影响

arXiv cs.AI

本文首次对智能体 AI 工作流进行架构特征分析，揭示了碎片化、异构化的执行模式与常规服务器设计不匹配的问题，并介绍了一个名为 Agora 的原型服务器以提高 CPU/GPU 利用率和吞吐量。

@mfpiccolo: https://x.com/mfpiccolo/status/2060069083878408689

X AI KOLs Timeline

文章认为，当前像 LangChain 和 CrewAI 这样的智能体编排框架将独立关注点捆绑成一个整体模块，导致缺乏灵活性。文章介绍了 iii 引擎，其中每个职责都是一个独立的、可替换的工作单元，通过共享总线和单一触发原语连接，使开发者能够通过替换工作单元而非分叉框架来组合自己的编排方案。