我们把AI当作魔术而不是软件对待，这让AI智能体变得难以维护。

最近我花了很多时间尝试多智能体工作流，表面上看，这些能力非常惊人。你将一个LLM与几个工具绑定，调整提示循环，然后观察它实时解决问题。但一旦你试图越过初始原型阶段，整个幻象就会崩塌。根本问题在于当前框架处理智能体架构的方式。它们将提示状态、记忆和行为变化视为完全短暂的，或者将它们隐藏在封闭的云数据库中。如果智能体在生产环境中失败，或者其行为根据用户反馈随时间漂移，要弄清楚*为什么*它会做出某个具体决定几乎是不可能的。没有审计追踪。如果系统性能下降，你无法轻松将其回滚到昨天的状态。这打破了我们在现代软件工程中建立的每一项可预测性的基本规则。这让我意识到，我们正试图为AI管理发明全新的黑箱范式，而几十年来我们早已有了完美的版本控制解决方案。出于纯粹的挫败感，我开始尝试一种名为Git-Native架构的开源概念，特别关注一个叫Lyzr GitAgent的项目和OpenGAP协议。逻辑上的转变很简单，但解决了核心问题：不再将智能体的记忆或提示更新保存到不透明的数据库中，而是将所有内容以平面文件的形式保存到标准的Git仓库中。当智能体调整行为或学习新工作流时，它不会在后台悄悄改变。它会创建一个新分支并打开一个Pull Request。突然间，你就有了智能体逻辑的有形历史。你可以在其自我改进步骤部署之前进行审查和批准。如果出现了幻觉，你只需运行标准的`git revert`，并将整个层直接连接到正常的CI/CD管道中。这迫使系统表现得像可预测、可管理的软件。当前AI的瓶颈不在于模型进化不够快，而在于我们围绕它们的工程实践完全混乱。如果我们把每次部署都当作无法追踪的魔术，就无法扩展生态系统。