AI Agent系统的确定性重放

arXiv:2607.16200v1 公告类型：新 摘要：将大型语言模型（LLMs）与外部工具和API结合的AI Agent系统本质上是非确定性的：LLM采样方差、外部API状态、CDN基础设施头信息以及执行环境噪声共同阻止任何先前的Agent运行被忠实地重新执行。现有的可观测性平台能够捕获执行日志，但无法在隔离环境中复现运行。我们提出了agrepl，一个面向开发者的CLI框架，用于Agent执行的确定性重放。agrepl通过中间人（MITM）代理在传输层拦截所有外部交互，将其序列化为结构化执行轨迹，并在严格隔离、无出站网络访问的环境中重放。我们形式化了Agent执行模型，定义了请求键匹配函数K(s)，并证明了确定性不变性。我们引入了一种噪声感知的差异算法，将HTTP头信息差异分类为信号和噪声层。跨五种工作负载（n=250个重放实例）的实证评估显示重放保真度F=1.0，每步延迟中位数降低98.3%。agrepl使用Go实现，以单个静态二进制文件分发，并在MIT许可证下发布。 关键词：AI agents，确定性重放，LLM调试，可复现性，MITM代理，执行追踪，记录/重放系统。

# AI代理系统的确定性重放
来源：https://arxiv.org/abs/2607.16200
文献工具

## 文献与引用工具

文献浏览器 切换

代码、数据与媒体

## 本文相关的代码、数据与媒体

演示

## 演示

相关论文

## 推荐与搜索工具

关于arXivLabs

## arXivLabs：与社区合作者的实验项目

arXivLabs是一个框架，允许合作者直接在arXiv网站开发和分享新的arXiv功能。

无论是个人还是组织，凡与arXivLabs合作的，均接受并认同我们关于开放、社区、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，仅与遵守这些价值观的合作伙伴合作。

有一个能为arXiv社区增添价值的项目想法？**了解更多关于arXivLabs的信息** (https://info.arxiv.org/labs/index.html)。