Agent-Native Telemetry: Verifiable State-Delta Evidence for Autonomous Operations
本文介绍了智能体原生遥测（Agent-Native Telemetry），这是一种利用智能体遥测协议（ATP）和状态增量证据账本（State-Delta Evidence Ledger）来取代冗长的面向人类的日志，转而使用紧凑且经过加密签名的状态变更，从而在确保自主 AI 智能体的溯源性与安全性的同时，大幅降低上下文成本和查询开销的可验证证据架构。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代互联网庞大且轰鸣的基础设施中，无数数字服务运行在看不见的代码网络之上，一场无声的危机正在悄然酝酿。几十年来，这些系统报告自身健康状况的方式是为人类眼睛设计的。当服务器遇到问题时，它会写下一行文本，通常不断重复相同的词汇和标签，从而创造出一个巨大的、滚动式的事件日记。当工程师通过扫描关键词来寻找断开的链接或崩溃的程序时，这种方法效果很好。但景观正在发生变化。如今，这些数据的主要消费者不再仅仅是人，而是自主人工智能代理——即能够进行推理、诊断并能在没有人类帮助的情况下修复问题的软件程序。向这些智能机器喂食同样陈旧、冗长的文本日志，就像要求一台超级计算机通过阅读一部小说来寻找一个数字；这浪费了机器有限的注意力，并使其容易产生困惑。
一组研究人员提出了一种改变机器间通信方式的根本性变革，引入了一种记录系统事件的新方法，它剥离了人类的散文，只留下核心事实。他们称之为“代理原生遥测”（agent-native telemetry），这是一种并非构建在句子之上，而是构建在经过验证的状态变化之上的系统。系统不再是写一段关于服务器变慢的段落，而是记录一个精确的、经过加密签名的注释，说明：“在此精确时刻，速度从 X 变为 Y。”这种新方法在复杂的软件网络中经过测试，证明了通过去除废话并添加一层数学证明，自主代理可以比以往任何时候都更快、更便宜、更准确地理解其环境。
当前标准的缺陷在于其臃肿。在典型的云环境中，系统每天产生数 TB 的日志数据，其中大部分是由从未改变过的静态标签（如“时间戳”或“服务名称”）组成的，这些标签被重复了数百万次。当人工智能代理尝试分析这些数据时，它必须消耗其最宝贵的资源——上下文窗口（即它一次能承载的信息量）——来解析这些重复的单词。这减少了用于解决问题所需的实际推理空间。此外，由于这些日志仅仅是文本，代理无法在数学上确定某个特定错误是否未发生；可能只是日志丢失或被隐藏了。这种不确定性迫使代理进行猜测，而在高风险的云运营领域，猜测可能导致灾难性的故障。
为了解决这个问题，研究人员设计了一种名为“代理遥测协议”（Agent Telemetry Protocol，简称 ATP）的新协议。想象一个系统，机器不再是写日记，而是简单地盖上一个编号的、密封的信封，其中仅包含发生变化的事实。该系统的核心是一个账本，它将操作事实组织成四种特定类型的证据：转换（状态何时发生变化）、观测（测量值的快照）、关系（事物如何连接）以及检查点（当前情况的摘要）。至关重要的是，任何杂乱、非结构化的文本（例如长篇错误信息或用户的 Web 请求）都被锁在一个单独的、密封的容器中。主记录仅包含指向该容器的一个微小的、经过验证的引用。这确保了代理的推理过程不会被埋藏在长字符串中的隐藏指令所劫持。
研究人员构建了一个完整的原型系统，并在两个真实的复杂软件环境（一家酒店预订系统和一家在线天文学商店）中对其进行了测试。他们将新系统与依赖于冗长文本日志和结构化 JSON 数据的当前行业标准进行了对比。结果令人震惊。通过切换到这种紧凑的新格式，需要在网络上传输的数据量下降了 96.4%。这种减少直接转化为了巨大的成本节约；研究人员计算出，对于大型企业而言，每天用于诊断目的扫描这些日志的成本将从大约五十美元降至不到一美分。
除了节省成本外，该系统对人工智能代理的影响也是深远的。使用新系统时，代理理解情况并找到根因所需的“Token”（AI 处理的基本信息单位）减少了 88.8%。由于数据非常干净，且不同部分之间的连接被明确映射出来，代理可以在几秒钟而非几分钟内诊断出问题。在一组测试中，识别问题所需的时间从超过三分钟降至不到一分钟。代理犯错的次数也减少了，与喂给它们传统的、冗长的日志相比，它们以更高的准确度正确识别了故障原因。
或许最重要的发现是该系统证明“某些事并未发生”的能力。在旧的日志记录方式中，如果代理寻找某个特定错误却未发现，它无法确定是系统健康，还是日志仅仅丢失了。新系统包含一个数学上的覆盖保证。如果代理询问：“在 10:00 到 10:05 之间是否发生了这个错误？”而系统回答没有，那么它可以凭借加密确定性证明该错误确实没有发生，因为记录是完整且不间断的。在研究人员试图通过隐藏数据或篡改日志来欺骗系统的测试中，新协议检测到了每一次篡改尝试。它还成功拦截了所有向代理注入恶意命令的尝试，这是 AI 阅读未经处理的文本时常见的安全风险。
研究人员证明，这种方法不仅在理论上可行，而且在各种人工智能模型中都具有实践意义。无论是使用最先进的商业模型还是较小的开源版本，代理在使用这种新数据格式时表现都更好。它们能更快找到正确答案，消耗更少的计算资源，并且不会受到阅读非结构化文本所带来的困惑。研究结论指出，随着机器接管我们的数字基础设施管理，我们与它们交流的方式必须改变。我们不能继续喂给它们人类风格的日记；我们必须给它们精确、经过验证且紧凑的证据，以便它们能够充满信心地运行。这种新架构提供了这一基础，将汹涌的嘈幅文本转化为清晰、可靠的事实流，使自主系统能够依靠这些事实来维持数字世界的平稳运行。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。