菜单
English articles本文暂无译文
积墨AI

积墨AI

Personal Agents 如何做到 Always-on:跨天委托任务的工程实现全解析

一个最小的 Agent 循环只有几行代码:调用模型、执行工具、把结果交回模型,直到模型不再调用工具。但这段代码有一个隐含前提——它活在一个进程里。关掉终端,循环停止,上下文随进程消失。它能完成一次问答或一段编码任务,却接不住「下周去香港出差,帮我订票订酒店,有变化随时处理」这类跨越十几天、用户大部分时间不在场的委托。Personal Agents 要真正替人办事,必须走向另一种运行形态:Always-on,长期在线、由事件唤醒、在用户不在场时代为行事。

事件唤醒:不丢不重的可靠执行

这场转变的核心是人在循环中位置的变化。早期是 Human-in-the-loop,每一步都要人批准;随后演进到 Human-on-the-loop,Agent 自己向前推进,人只在方向需要调整时介入,这种介入被称为 Steering。与此同时,Agent 从被动响应走向主动运行,需要沿三个维度设计:持续性决定职责跨越多久,主动性决定没有指令时是否发起工作,自主性决定多大范围内可以不经批准行动。持续性越长,活性越难保证;自主性越大,安全性越依赖放行机制;而主动性不应扩大权限——这三条张力贯穿了 Always-on 架构的全部设计。

形态转变的前提是模型能力的进步。以人类专家完成任务的耗时来度量任务难度,前沿模型可完成的任务长度在近年持续翻倍增长,无人值守场景下高成功率对应的任务长度虽然更短,但同样在快速提升。工具调用越可靠、长指令遵循越稳定、屏幕定位越准,工程层的校验与重试就可以做得越薄。另一边,个人助理产品从一问一答快速走向「交代一次、后台跟进」,数字员工也从预编排的工作流走向事件驱动的自主 Agent。两条路线正在汇聚成同一种形态,背后的工程问题也随之趋同。

Always-on 的成败,不在模型里、不在提示词里,而在每一条持久记录、每一次事件唤醒的工程确定性里。

“行业观察”
积墨 AI 核心产品

积墨 AI 智能体开发平台

快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。

从多年产业实践经验来看,用户离开后,Agent 不再是一个运行中的进程,而是一组持久记录,每次唤醒都从零开始,能不能接着干下去全看记录里有什么。工程上通常按生命周期分三层保存:职责层跨越整项委托,任务层随要求变化升版,运行层只覆盖一次唤醒。「改到周四」这类修改目标的指令写在任务层,生成新版本而非改旧版本;批准与动作绑定到确定的版本,旧版本的方案不能挪用新版本的批准。记录内容又按权威来源分三类:工作状态记录事情办到哪了,最终以外部系统为准;控制状态记录被允许做什么,只认用户经控制入口的可信写入,不经过模型;知识材料记录这个人希望怎么办,只能影响方案、不能产生授权。记得用户偏好靠窗,不等于有权替他选座;本地记着「已提交」,不等于机票真的出了。这三类状态可以放在同一个数据库里,但绝不能互相替代。

Always-on Agent 的工作大多不由用户发起,用户消息、对方回信、航司推送、天气预警、定时器都要被整理成带唯一 ID 和来源的事件,与已登记的等待条件匹配后才唤醒。可靠性执行有一套成熟路径:接收即持久,事件与待办记录在同一事务中提交后才确认收到;同一会话串行执行,用户在一对一对话里的消息可以插队;用租约加单调递增令牌实现单写者,旧 Worker 的提交会因令牌过期而失败;状态变更与外部请求意图写进同一事务,由独立派发器发出,消除「状态已提交、请求没发」的裂缝;扫描器定期兜底,把无人领取的会话重新调度。还有一条关键原则:外部效果未知不等于未发生——出票请求超时后,必须先带操作 ID 去权威系统核对原操作,查到已出票就继续,查不到就保留待核对状态并告知用户,绝不能直接重试再下一单。

Always-on 不是让循环跑得更久,而是把连续性从进程转移到记录:委托常驻、事件推进、动作可控、理解越积越准。模型能力决定每次唤醒能做多少事,而跨越时间的可靠性,必须由工程系统来保证。这正是下一代个人智能体落地的真正门槛所在。

#事件驱动#持久化状态#工作流编排#提示词安全#个人对齐
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信