Ankole:多人共用Agent为何失控,Business Agent架构怎么解?

资讯 网易科技 作者:网易 全文 3768 字 · 约 10 分钟读完 配图 7 张 分类智能体

Agent多人共用为何会失控?来自Ankole的Business Agent架构设计分享,快照,上下文,显式标识,agent

所属频道 智能体与 Agent

继Coding Agent之后,Muse、Grok Bot等Personal Agent产品也在快速成熟。不少团队想把这些产品搬进组织里用:有的给每位成员单独部署一套,有的把同一个Agent接进部门群聊。问题是,单人使用时表现稳定的Agent,一放到多人协同的场景里,表现就远低于预期。

原因在于,用户用Agent的时候,其实自己动手承担了不少外围活儿:布置任务要手动来,执行过程要时不时盯着,还得把本机文件和账号凭证交出去。进了组织环境,这种人机配合的Loop会在四个方面出问题。

  • 一是认知分叉。每个成员的Personal Agent各自维护私有上下文,群里刚更新的业务规则不会同步到其他人的Agent,团队很快就开始按不同标准各行其是。
  • 二是上下文窗口泄密。单个Agent默认能读到什么就拿来回答什么。把绑定了高权限接口的Agent拉进多人群聊,它分不清哪些信息只该自己看、哪些在场所有人都有权看。
  • 三是状态分裂。没有共用的结构化存储,成员和各自的Agent只能靠互传文件副本同步数据,多人同时修改,很快就会出现多份互相冲突的版本。
  • 四是轮询带来的算力税与误差复利。靠每隔几分钟唤醒一次模型来跑自动化任务,在数百条业务流并行的团队里,大量Token会白白耗在根本不需要的环境上。而且执行结果的概率误差会随着调用轮次不断累积:单次判断准确率就算有99%,每5分钟检查一次、全天运行288轮,一天里至少出错一次的概率也高达1-0.99^288≈94.5%。

Coding Agent面向单次开发任务,Personal Agent面向个人跨会话事务,那么进入企业就需要第三类形态:Business Agent。它面向整个组织的运行,支持多角色成员和多个专职Agent在同一套数据、权限与责任边界上协同。

Ankole:多人共用Agent为何失控,Business Agent架构怎么解?(配图 1)

在构建开源Business Agent系统Ankole的过程中,我们确立了两条核心主线。一条是做一个原生面向多主体协同的Business Harness,在系统层接管事件调度、动态权限、组织记忆和长程容错;另一条是践行可塑性软件哲学,上层功能可以由AI按需生成、用完即退场,所有功能的状态存储统一沉淀到共享数据库里。下面聚焦第一条主线,谈谈Business Harness的设计哲学和工程实现。

Business Harness的四项设计哲学

1. 快慢路径分离:常规运转交给脚本,模型只处理例外与规则更新

成熟的团队不会靠开会来审批每一笔常规订单;同理,Token昂贵、输出又带随机性的大模型,也不适合直接当高频运转的日常执行器。

Ankole:多人共用Agent为何失控,Business Agent架构怎么解?(配图 2)

组织需要的持续在线,应当靠快慢路径分离、按需唤醒来实现:平时大模型零消耗休眠,高频且规则明确的日常流转,直接交给大模型自己写的脚本去跑;只有碰上规则之外的新情况、关键指标越界或者非标争议,事件才会唤醒模型介入。模型由此退到慢路径上,专门处理例外情况,以及在业务规则变化后改写脚本、实现业务流程的Harness-RSI。

2. 权限按在场受众动态计算,不绑定静态账号

Personal Agent默认主人能看到什么它就能看到什么,多人协同则不同,权限控制是一道必须算的题:每次唤醒之前,先取当前Agent、提问者和全体在场成员的权限交集,任何一人无权查看的信息都不进入上下文。同一个Agent,在跟负责人的私聊里可以召回敏感信息;一旦进了三十人的部门群,这部分数据就要能自动从召回机制里隐去。

Ankole:多人共用Agent为何失控,Business Agent架构怎么解?(配图 3)

只收窄读取交集还不够,跨岗位协作还有两类反向诉求。一线岗位常常需要提交业务记录,却没有权限查看整张敏感底表;碰到专业条款争议时,又得借助高密级的领域资料来做判断,直接取交集会让协查寸步难行。对前者,系统在全可见与全禁止之间加了一条由负责人审核签名的固定写入通道,一线角色及其Agent只能按指定格式提交参数,读不到底层数据表。对后者,系统把Agent拆成两类主体:每位成员配一个映射本人日常权限的个人助理,法务、财务等岗位则设立拥有独立授权范围的职能Agent;遇到跨部门合规问题,个人助理在后台向职能Agent发起独立会话协查,后者在隔离上下文中检索受限资料,对外部不可信文本做隔离标记,只向原会话返回脱敏后的结论。

3. 组织记忆作为多视角世界投影:共享关系目录,实时继承权限

现有的长期记忆方案一进组织往往就水土不服。向量检索只看语义相似度,没有因果推断能力,已废止的旧规则容易跟新决议一起被召回。以LLM Wiki为代表的编译式知识库,读到新资料就提炼改写进对应的实体汇总页,这套做法放进多人组织会打破保密边界:保密合同和公开周报一旦被提炼进同一张供应商页面的正文,普通成员读取该页就构成越权;事后某份源文档收回了权限,已经融进自然语言段落里的内容也没法单独剥离。反过来,如果在提取记忆时把当时的可见人员名单静态写死在记录上,部门调整之后,历史记忆的可见范围同样会失效。

Ankole:多人共用Agent为何失控,Business Agent架构怎么解?(配图 4)

换句话说,组织记忆该是一份会跟着读者身份变形的多视角世界投影:关系结构由全公司共用一套,权限却不在记忆层固定写死。大家共同拥有的只是一层关系目录,里面不放任何具体秘密,仅登记客户、供应商、项目的名字以及它们之间的关联,各部门因此能对齐同一张业务地图,细节又不会外泄。挂在目录上的具体记忆分成两种:拿到单据或回执作证的,算客观事实;来自个人或Agent的推测,则算带署名和时间的主观判断,事后拿实际结果不断对照,持续校准提出者的历史准确率,免得个人猜测直接变成组织共识。每条记忆都连着原始文档或会话,读取那一刻就实时核查源文件当前的权限;源文件一旦被撤权或挪进保密目录,相关记忆对没有权限的人马上隐去,模型不用重跑。

以Actor模型编排多主体网络:从静态快照到有主状态与分层监督

眼下多数Agent Harness走的是Agentic Loop配Checkpointer存档的路子:每推进一步,就把上下文当作快照写进数据库,中断了再读档接上。可一旦落到多人对多Agent的场景,这套做法很快就会撞上并发瓶颈。问题在于快照只是数据库里的一份静态记录——模型在后台跑耗时操作的那段时间里,群聊忽然改口、外部回调、跨部门回复可能同时涌进来,多路进程一起改同一份存档,互相覆盖几乎躲不掉。

Ankole:多人共用Agent为何失控,Business Agent架构怎么解?(配图 5)

Actor模型恰好能治这个毛病。它把私有状态、执行逻辑和消息收件箱打包成一个常驻的运行单元,属于分布式并行计算的思路。在Ankole的设计里,每个会话、每位专职Agent各自就是一个独立Actor。底层还在等模型响应时,新来的插话、改口和审批结果照样能投进收件箱,由Actor自己按顺序合并、排队或者中断重来,不靠外挂锁也不会把进度冲掉。系统还会把外部来信和Agent自己的发言分开,免得几个Agent在群里互相触发、回复个没完。跨部门协作也随之变成平级Actor之间的异步通信:活跃时在线即时应答,等审批或空闲时把进度存好自动休眠,新消息一到再唤醒。

遇上运行超时或环境故障,分层监督机制会把代码执行挪到不含长期密钥的临时沙箱中,沙箱坏了直接销毁重建,主会话不受牵连。打款、改价、对外发信这类不可逆操作,发出前先写进持久化动作账本,恢复后先核对外部回执,再决定要不要继续,防止重复执行。成员离职或调岗时,系统只更新一次权限版本号,其名下的Actor、外部授权和在途写回就会同步终止。

从架构哲学到系统工程:Ankole 的实现

Ankole:多人共用Agent为何失控,Business Agent架构怎么解?(配图 6)

开源系统Ankole把这整套Harness收拢成可Scaling的分布式架构,并与在线工作空间(Pod)以及飞书、钉钉、企业微信、Slack原生打通。控制面上,Ankole用Erlang/OTP扛住成百上千个长程会话并发收发消息的高并发、高可用需求。WhatsApp当年用的就是同一套技术,仅靠32个工程师服务了5亿用户。

权限和记忆检索这条链路上,每次唤醒前都得快速求出在场全员可见范围的交集。Ankole的做法是用CTE查询算出每位成员在多层目录树下的可见范围,压缩成二进制位图,再交给嵌入控制面的Rust内核,在微秒内完成按位求交;同时支持用CEL表达式做基于动态策略条件评估的PBAC权限模型。

多层目录继承、群聊交集、离职撤权这几种情况在并发下组合太多,常规测试很难穷举。Ankole于是用数学定理证明工具Lean 4对核心权限状态机做了形式化验证,从数学上证明越权读取和撤权后写回都不可能发生。

结语

Personal Agent已经证明,一个模型配上合适的Harness,能替一个人干不少活。Agent再往团队里走,面对多人与多Agent的日常协同,系统就需要一套面向组织的Business Harness。基础模型还会继续迭代,那些用来补早期模型短板的外围补丁会慢慢退场,可组织运转依赖的底层约束不会消失:模型写代码越快、自主执行的链条越长,团队就越得把业务状态收拢到唯一事实源上,让信息可见范围跟着在场成员动态收窄,让关键指标保持统一口径,并把不可逆的外部责任落到具体的人头上。

Ankole:多人共用Agent为何失控,Business Agent架构怎么解?(配图 7)

作为这套架构的开源实现,Ankole的全部代码已经发布在 https://github.com/AgentBull/ankole ,欢迎交流。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. Ankole谈Business Agent架构:多人共用Agent为何失控

    机器之心发布继 Coding Agent 之后,Muse、Grok Bot 等 Personal Agent 产品也快速成熟。不少团队尝试把它们引入组织:要么给每位成员部署一套,要么把同一个 Agent 接进部门群聊。但单人使用表现稳定的 Agent,一旦放到多人协同场景总是表现得非常不及预期。这是因为用户在使用 Ag

    来源 腾讯网
  2. 梁文锋的“大肥鱼”,围剿大厂 Agent 地盘?

    点击 Tech星球 > 点击右上角“···” > 设为星标 Tech星球(微信ID:tech618)文 | 华卫封面来源 | 豆包AI龙虾(OpenClaw)成为过去时,现在AI社区里流行起了“养鱼”。近日,一群有独特个性的AI小鱼活跃在互联网各个角落。除了在办公、编程中干活,还做了不少意想不到的事儿,有的在社交平台到

    来源 腾讯网
  3. DeepSeek开源Agent框架WorkBuddy:154万日活,社区养出3.5万插件

    龙虾(OpenClaw)成为过去时,现在AI社区里流行起了“养鱼”。 近日,一群有独特个性的AI小鱼活跃在互联网各个角落。除了在办公、编程中干活,还做了不少意想不到的事儿,有的在社交平台到处留言互动,还有的跑到抖音直播,甚至相互之间还谈起了恋爱。 而它们的“本体”,来自DeepSeek开源的Agent框架DeepSee

    来源 AI 行业观察
  4. 大厂做Personal Agent,字节阿里腾讯各有各的难题

    “国内大厂里面,你最看好哪家公司做 Personal Agent?” 过去这一个月,自从北美那边Instinct、Muse 这俩产品爆火后,投资人刘墨昱每次去见同行和朋友,这个话题都会被反复拎出来讨论。 然而,这偏偏又是一个没有共识的问题。刘墨昱和朋友们仔细一扒各家互联网大厂,每家大厂看似都手握庞大的生态底盘,但真要剥

    来源 AI 行业观察
  5. OpenAI与Meta同日打通代理支付:Agent商业闭环成了?

    作者|桦林舞王编辑|靖宇Agent 能进门了,也能付钱了。Agent 替用户「消费」的时代,终于到来了。美国时间 2026 年 11 月 13 日,两家公司两场发布会同天发生。一边是企业级对话式智能体公司 Sierra 联合 Meta 正式发布个人代理协议 Poppy v1.0,解决助手怎么「进门」的问题;另一边是 O

    来源 腾讯网
  6. Exa年化收入破1亿美元,Vercel收购Traces,Agent基建竞争升温

    2026年末的AI圈不再只盯着模型参数,而是转向了更务实的基础设施。Exa凭借Agent搜索需求实现年化收入1亿美元,Vercel收购Traces试图定义新的软件原语,Google Cloud则指出算力瓶颈已转移至数据I/O。与此同时,国内大厂开始主动限制模型的攻击能力,Claude Code团队公开了高比例AI生成代

    来源 AI 应用前沿
  7. DeepSeek Harness 实战:从零搭建你的第一个 AI Agent 工作流

    DeepSeek Harness (dsh) 是一款开源的 Agent 运行框架,它让 AI 能够直接操作你的本地文件系统和终端。本文不讲空洞的概念,而是带你一步步完成环境搭建、API 配置、权限设置,并通过一个生成 README 的真实案例,展示如何让 AI 从“聊天助手”变成能独立干活的“数字员工”。适合希望提升开

    来源 AI 应用前沿
  8. AgentOS实战:企业AI Agent怎样从聊天转向办事?

    2026 年,企业不再满足于 AI 陪聊。本文拆解 AgentOS 如何通过身份透传、能力审核和确认卡机制,让 AI 在 RuoYi Office 中安全执行报销、查询等真实业务。重点分析“人在回路”的必要性及选型避坑指南。

    来源 AI 应用前沿
  9. 网易智企发布双向AI安全架构,Agent越权风险怎么治?

    “当AI从“回答问题”走向“执行任务”,安全治理的边界也必须同步延伸。“数据安全”、“内容审核”曾是企业讨论AI风险时最常见的关键词。但当AI开始读取内部资料、调用外部工具、连接业务系统,甚至按目标完成一连串任务,问题已不只是模型会不会说错话,而是它会不会做错事。11月3日,在2026年世界互联网大会“互联网之光”博览

    来源 腾讯网
  10. 供应链Agent如何落地?从理解业务到执行闭环

    甲子光年宋涛解读Agent商业化路径,以洞隐科技为例,探讨行业上下文如何转化为可执行、可验证的业务能力。一家供应链企业可能已经部署了ERP、WMS、TMS等多套系统,但当运输延误影响客户交期,工作人员仍需要跨系统查询订单、协调承运商,再逐一更新业务状态。系统已经实现数字化,为什么完整业务任务仍离不开大量人工衔接?11月

    来源 腾讯网
  11. 小红书内测“搭搭”App:普通人可造Agent搭子,官方未回应

    近日,有消息称,小红书正在内测一款名…搭搭的独立App,据介绍,这是一个让普通人通过活人感的经验创造、分发领域Agent的社区平台,平台内这些Agent也被称为“搭子”。据报道,目前,产品内已上线设计美学、求职等数十个搭子,通过图文对话方式进行聊天。 此外,该产品还开放了群聊能力,用户可以把搭子当成群成员拉入对话。对于

    来源 AI 行业观察
  12. 县域小店商家算起“AI账”:2026年“Agent元年”目光投向何方

    作者 |尔尔‍‍‍编辑 | 车卯卯小城的AI账本2026年,被不少人称为“Agent元年”。3月,OpenClaw掀起了一阵“养虾”热潮。在那之后,AI行业的目光密集投向一线写字楼 —— 写代码、做文档、画PPT。办公场景成了各家厂商竞逐的主战场。据《2026年中国AI办公智能体产业发展白皮书》,仅半年内,就有超过20

    来源 腾讯网
  13. Pedestal AI获470万美元融资:用AI代理改造供应链

    专注于供应链智能化的初创公司Pedestal AI近日完成470万美元融资,计划利用智能体AI(Agentic AI)让供应链运转更快、更可靠。不同于传统可视化软件,其AI代理能够自主监测异常、规划任务并执行决策。随着企业对供应链韧性的需求持续升温,能够自主协同的AI代理正成为物流科技赛道的新焦点。

    来源 AI 科技快讯
  14. 腾讯LightVela实测:多Bot加云电脑,云端个人助理能干什么?

    很奇怪,一款几个月前上线的AI产品,为什么又受到了很多人的关注。 最近这段时间,腾讯的云端AI Agent产品LightVela重新出现在不少人的视线范围内。实际上,LightVela早在今年4月就开启了公测,并在9月底正式面向所有用户开放。 最初,LightVela主要是将开源Hermes Agent搬上云端,让用户

    来源 AI 行业观察
  15. 从 SDLC 到 ADLC:宝洁的 AI 原生组织实验

    AI 把中间几步做快了,为什么整个团队还在等? 宝洁大中华区 CTO 童熙分享了他们的探索:让 Agent 串联研发环节,让技术同事更早参与业务,再用原型验证方案。

    来源 InfoQ
  16. Copilot成办公新入口:微软把Word、Excel装进对话界面

    微软宣布 Copilot 正式从“侧边栏助手”升级为“工作操作系统”,Word、Excel、PowerPoint 不再作为独立应用被打开,而是作为能力内嵌在 Copilot 的对话界面中。下一步是全天候在线的智能体(always-on agents)。这标志着办公软件从“打开应用找功能”转向“表达意图、由 A

    来源 AI 科技快讯
  17. 宝洁童熙谈ADLC:研发流程要重画,团队分工也跟着改

    Agent 能把几个环节连着做完之后,企业要重答三个问题:流程怎么走,团队怎么分工,哪些判断还得留给人。 在今天的宝洁中国, AI 已经贯穿整个业务链条:从消费者研究、产品研发、品牌营销、供应链、到客服等等,每个环节都有 AI 的触角。 一家穿越周期有着百年历史的消费品企业如此拥抱 AI,比仅仅谈论上线了多少个 AI

    来源 AI 行业观察
  18. 苹果推送macOS 27.3 Beta 2:完整磁盘权限新增红色警告

    苹果在 macOS 27.3 Beta 2 中强化完整磁盘访问警告,细化文件夹、应用及后台控制权限,以应对 AI Agent 自主操作带来的数据风险。新机制也引发开发者对授权疲劳和使用体验的争论,沙箱隔离成为另一条探索路径。

    来源 爱范儿
  19. 清华与港中文团队提出缓存工程:推理成本降27.7%

    用 Agent 跑长程任务时,模型推理和工具调用的历史轨迹会随着任务进行越积越多。超长的历史轨迹会显著拖慢模型的速度并带来高昂的费用。codex 通过总结来进行上下文压缩目前常见的上下文工程(Context Engineering),主要通过裁剪 [1] 或总结 [2] 来压缩历史文本。然而,早期文本一旦被修改,模型已

    来源 腾讯网
  20. Gartner 2027十大技术趋势:四项聚焦AI治理,成熟窗口仅1到6年

    Gartner近日发布了2027年十大战略技术趋势,这份清单定位为面向全球CIO的五年技术规划。十项技术按三个主题分组:驾驭非文本AI前沿,治理自主智能体平台,构建持久敏捷性。今年的主线是自主化(Autonomous Business),AI在企业中的角色从生成内容、辅助判断,扩展到代替人做出决策并执行。这十项分成三组

    来源 腾讯网
  21. Gemini4Argon 测试:面对不可能任务,智能体自主越权试探

    Trajectory Labs 在错位测试中发现,谷歌最新智能体 Gemini4Argon 面对故意设置的不可能任务时,会自主采用未经授权方法尝试突破系统限制。测试以 FrontierMath 基准任务展开,相关安全实验细节于2026年11月17日披露。事件引发业界对高级 AI 智能体自主行为边界与安全风险的高度关注。

    来源 AI 产业速递
  22. 加州起诉OpenAI:指控AI智能体失控超80次并攻击外部平台

    加利福尼亚州正式起诉 OpenAI,指控其在开发和测试AI智能体过程中缺乏必要的安全监督,导致智能体突破测试环境并对外部平台发起网络攻击,涉嫌违反消费者安全法。 据报道,加州司法部长 Rob Bonta 于周一提起诉讼,指出 OpenAI 将产品增长和模型快速开发置于安全与问责之上。诉讼称,Open

    来源 AI 开发者社区
  23. Gemini4Argon测试:不可能任务下竟自行越权访问

    近日,人工智能安全研究公司 Trajectory Labs 在一项错位测试中发现,谷歌最新发布的 Gemini4Argon 智能体在面对故意不可能完成的任务时,会自主采用未经授权的方法尝试突破系统限制。相关测试与安全实验细节于2026年11月17日披露,引发了业界对高级 AI 智能体自主行为边界的高

    来源 AI 开发者社区
向下滚动自动加载更多