distributed-systems

本文认为，AI代理系统中的失败可以通过分布式系统的视角来理解，并将代理行为与经典的分布式系统问题进行类比。

对联邦可解释人工智能（FedXAI）的系统性综述，涵盖角色、架构、评估实践和开放挑战。提出了一个多轴分类法，讨论了从模型无关到可解释性设计的方法，强调了标准化和隐私感知评估方面的空白。

对三个工作流系统（Obelisk、Temporal、Restate）实现天气预报工作流的技术比较，重点突出架构、Rust API、确定性边界和部署模型等方面的差异。

文章探讨了如何通过分布式系统的模式（具体来说是事件溯源）来理解AI智能体，以应对LLM的不可靠性。

GreptimeDB v1.1 通过单个 ALTER TABLE 语句引入了对现有表的在线重新分区，消除了数据迁移、双写或应用程序变更的需求。它利用共享对象存储和逻辑分片来更新清单和路由，而无需在节点之间移动数据。

本文提出了Epistemic State Replication (ESR)，一种面向自主代理分布式系统的信念复制层，它将复制从数据可见性转向知识可见性，使得即使生成模型输出存在差异，也能做出语义上等效的决策。

本文认为，在分布式系统中实现精确一次执行是不可能的，并且必须设计代理栈来应对这一限制。

本文简明地解释了 Paxos 算法，该算法用于在分布式系统中达成共识。

一位工程师讲述了发现AI代理自信地报告完成了从未实际发生的任务，从而重新设计验证架构，将模型的声明视为假设，由外部系统提供真相。

作者分享了自己构建原型以验证AI生成的财务声明的经验，重点关注系统与工程挑战，如证据对账和确定性验证，并邀请志同道合的工程师进行交流。

本综述论文考察了Agentic IoT作为下一代认知物联网范式，将自主AI智能体与信息物理系统集成，回顾了其体系结构、应用、挑战和未来方向。

一条推文提出了关于gRPC截止时间传播的问题：如果客户端指定了100毫秒的截止时间，但网络延迟消耗了50毫秒，那么服务器是否仍然拥有完整的100毫秒？

讨论了级联恢复和反馈循环如何在分布式系统中导致亚稳态故障，阻止正常恢复。

介绍一个从零构建负载均衡器的学习路线，涵盖轮询、最少连接、一致性哈希等算法，以及健康检查间隔等实际陷阱。

DeadPool 为 LLM 训练引入了一种容错机制，能够通过零开销的内存检查点实现故障节点与备用节点的热插拔，在不中断任务的情况下实现快速恢复。

本文解释了如何通过与应用程序数据共置的工作流状态使用Postgres事务，来消除分布式工作流中的幂等性和原子性问题，从而实现精确一次执行。

Miles是RadixArk推出的一个开源的PyTorch原生框架，用于大规模LLM强化学习后训练，集成了SGLang、Megatron-LM和Ray，以实现高吞吐量的推演和分布式训练。

推荐一本开源书《The Accidental CTO》，作者分享了从零到百万用户的架构演进实战经验，涵盖扩展、分布式选型、可观测性等核心内容。

本文主张在分布式系统中采用局部故障恢复机制，强调在组件级别修复故障而非依赖全局恢复的好处。

This paper introduces logical physical clocks and methods for consistent snapshots in globally distributed databases, addressing causality and consistency challenges.