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
Grok Bot等Personal Agent产品近来成熟得很快。不少团队动了把它引进组织的念头:有人给每位成员单独部署一套,也有人把同一个Agent直接拉进部门群聊。问题是,单人用起来挺稳的Agent,放到多人协同的场合,表现往往远低于预期。
原因在于,用户使唤Agent时,其实是用人工补上了不少外围活:任务要手动布置,执行过程得隔一阵看一眼,本机文件和账号凭证也要自己分享出去。到了组织环境里,这套做法就行不通了。
一是认知分叉。每个成员的Personal Agent各管各的私有上下文,群里刚更新的业务规则传不到别人Agent那里,团队很快各按各的标准办事。
二是上下文窗口泄密。单人Agent默认读得到的信息都能拿来回答。可一旦把绑着高权限接口的Agent放进多人群聊,它就分不清哪些信息只该自己看、哪些在场的人都有权看。
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对齐数据,几个人同时改,很快就冒出好几份互相冲突的版本。
四是轮询带来的算力税和误差复利。每隔几分钟唤醒一次模型去跑自动化任务,在数百条业务流并行的团队里,大量Token就空耗在不必要的环境上。执行结果的概率误差还会随调用轮次累积: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,一天里至少错一次的概率也高达1-0.99^288≈94.5%。
如果说
他们的做法是构建开源Harness,在系统层接管事件调度、动态权限、组织记忆和长程容错;另一条路则是践行。
Business Harness
1.
成熟的团队不会为每一笔常规订单都开会审批,Token昂贵、又带随机性的大模型,同样不适合直接当高频运转的日常执行器。
组织要做到持续在线,得靠快慢两条路径分开跑。平时大模型不消耗算力,处于休眠;规则清楚、频次高的日常流转,直接交给大模型自己写好的脚本去执行。只有碰上规则没覆盖的新情况、关键指标越界或者非标争议,事件才会把模型叫醒。这样一来,模型退到慢路径上,专管例外情况;业务规则一变,它再改写脚本,把流程重新跑起来。
2. 权限按在场受众动态算,不跟静态账号绑定
做法跟以往不同:每次唤醒之前,先取当前 Agent、提问者以及全体在场成员的权限交集,只要有一人无权查看,相关信息就不会进入上下文。同一个 Agent,在跟负责人的私聊里能召回敏感信息;可一旦进了三十人的部门群,这部分数据就得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相反的诉求:一线岗位经常要提交业务记录,却没有查看整张敏感底表的权限;碰上专业条款有争议,又得借高密级的领域资料来判断。直接取交集,协查就推不动了。对前一种情况,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。对后一种情况,系统把 Agent 分成两类主体: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,后者在隔离上下文里检索受限资料,并给外部不可信文本打上隔离标记,只把脱敏后的结论返回原会话。
3. 组织记忆作为
现有的长期记忆方案搬进组织后,往往水土不服。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。用摘要提炼也有问题:一旦把保密合同和公开周报提炼进同一张供应商页面的正文,普通成员读取该页就会越权;某份源文档事后收回权限,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,部门一调整,历史记忆的可见范围就失效了。
换句话说,组织记忆得跟着读它的人是谁来变。挂到目录里的具体记忆分两种:有单据、回执能对上的,算客观事实;个人或 Agent 猜出来的,算主观判断,要带署名和时间,后面拿实际结果不断比对,看提出的人过去准不准,免得谁的猜测直接被当成组织共识。每条记忆都连着原始文档或会话,读的时候当场查源文件当前的权限;源文件一旦被撤权或者挪进保密目录,没权限的人马上看不到相关记忆,模型不用重新跑。
以
目前主流的 Agent Harness 多采用 Agentic Loop 模式:每走一步就把上下文存成数据库快照,中断后再读档恢复。这套机制进入多人对多 Agent 的环境后,很容易撞上并发瓶颈。快照只是数据库里的静态记录:模型在后台执行耗时操作期间,群聊改口、外部回调与跨部门回复同时涌进来,多路进程并发修改同一份存档,极易互相覆盖。
Actor把私有状态、执行逻辑和消息收件箱打包成一个常驻运行单元,属于分布式并行计算模型,上述难题正好归它管。会话是Actor,每位专职Agent也是Actor。哪怕底层还在等模型响应,新来的插话、改口和审批结果照样能随时丢进收件箱,由它自己按顺序合并、排队或者中断重来,不用外挂锁就能挡住进度覆盖;系统还会区分外部来信和Agent自己的发言,多个Agent在群里互相触发回复的死循环因此被拦下。跨部门配合也改成平级Actor之间的异步通信:活跃时在线即时响应,等审批或空闲时存好进度自动休眠,新消息一到再随时唤醒。
运行超时或环境故障时,分层监督机制会把代码执行剥离到不含长期密钥的临时沙箱,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,发出前先记进持久化动作账本,恢复后先核对外部回执再决定是否继续,重复执行得以避免。成员离职或调岗,系统只更新一次权限版本号,其名下的Actor、外部授权与在途写回便同步终止。
从架构哲学到系统工程:
开源系统Ankole把整套Harness收敛成可Scaling的分布式架构,并与
权限与记忆检索链路上,每次唤醒前求取在场全员的可见交集,速度必须够快。Ankole用
多层目录继承、群聊交集与离职撤权在并发场景下组合极多,常规测试很难穷举,我们于是借助数学定理证明工具
结语
Personal Agent已经证明,一个模型配上合适的Harness能替一个人完成很多工作。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。基础模型持续迭代,弥补早期模型短板的外围补丁会逐步退场,可组织运转依赖的底层约束不会消失:模型生成代码越快、自主执行链条越长,团队就越要把业务状态收敛于唯一事实源,让信息可见范围随在场成员动态收窄,让关键指标保持统一口径,并将不可逆的外部责任落实到具体的人。
这套架构的开源实现Ankole,全部代码已发布在 https://github.com/AgentBull/ankole ,欢迎交流。