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

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。

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。

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。

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。

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

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。

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。