标签
作者质疑将AI agent部署和扩展到生产环境是否是一个普遍令人沮丧的问题，并提到了诸如幻觉和状态管理等问题。
作者分享了运行AI代理循环一个月后的实际经验，强调了循环契约、状态和日志的重要性，以使代理实现自主和可靠。
讨论了始终在线AI代理的架构设计，提出它们并非必须真正始终在线；相反，可以通过使用无服务器计算和状态管理使其更具临时性，以节省成本。
一份全新的130多页的关于始终在线智能体的调查报告。始终在线智能体是其未来行为依赖于先前交互中积累的持久状态的系统。该调查将状态视为不仅仅是记忆，而是沿着生命周期对每个状态项在六个轴上进行评分，并引入了始终在线评估协议（AOEP-v0）来管理状态变化和恢复。
Frond 是一款前端运行时，可管理 React 应用的依赖图，并自动处理服务的生命周期与清理工作。
DataStates-LLM提出了一种可扩展的检查点架构，利用可组合的状态提供程序，相比于现有解决方案，吞吐量提升高达4倍，训练时间减少2.2倍。
本文探讨了AI智能体在生产环境中运维工具的缺失，重点关注错误处理、状态重放、安全性和审批流程等挑战。
本文解释了作者如何利用ruxe库中的类型级不相交技术，教会Rust的类型系统拒绝可能导致数据竞争的并行reducer管道。
LedgerAgent 是一种面向客服代理的方法，通过维护独立的账本来记录任务状态，从而在工具调用过程中提升政策合规性与状态管理能力。在四个领域中，该方法相比标准方法平均 passk 指标均有提升。
Yoyo是一个在GitHub Action上每8小时自我演进的AI agent，其成功关键在于一个无状态agent加持久化状态（git仓库）的harness设计。文章深入分析了记忆、上下文、反馈、验证等问题的朴素解法，强调持久化状态比模型本身更关键。
Google Devs introduces Agent Factory series with ADK 2.0 and Gemini 3.5 Flash, demonstrating how to build production-grade stateful agents that can run for days, featuring insights on skills, MCP, and code review strategies from engineers like Rohde Davis.
文章认为，AI代理由持久事件日志定义，而非运行时或模型，从而支持容错恢复并简化对代理状态的推理。
讨论了多智能体系统中共享状态的两个故障模式——并发丢失更新和僵尸写入者，并提出了一种带有栅栏写入者和模型验证保证的解决方案。
Apache Burr 是一个开源的 Python 框架，用于构建可靠且可观测的 AI 智能体和应用程序，提供状态管理、人在回环以及内置的可观测性。
文章认为，AI助手的记忆和状态不应存放在LLM上下文窗口中，而应放在独立的事务性数据库中，采用确定性控制流，并将LLM视为处理非结构化输入的判断层。
作者分享了使用名为 architect by Lyzr 的可视化工具来编排多步骤 AI 代理管道的经验，强调了与传统自动化工具相比，状态跟踪和调试更加容易。
本文指出了AI智能体演示中常被忽略的三个关键挑战——身份认证、账户身份和状态管理，这些对于构建真正的产品至关重要。它探讨了这些层面是否会被整合到基础模型中成为通用功能，还是会保持独立存在。
ActiveGraph 是一个用于长期运行代理的开源基础设施，使用事件溯源的反应式图来实现可审计、可分支、可重放的代理状态。它引入了用于代理协调和状态管理的新架构层。
作者反思了将AI智能体从原型推向生产环境的挑战，得出结论：可靠的编排和安全保护机制比模型的渐进改进更为关键。