一个工程师团队推出了一种故障闭锁（fail-closed）网络层，使自主 AI 智能体能够在不丢失一致性的情况下跨云边界运行。该原型经历了 82 次刻意诱导的混沌测试周期，在单效应事件中实现了 100% 的成功率，并且即使在断电时也能消除重复更新。

为什么新的协调模型至关重要

在多个云上部署大语言模型驱动的智能体暴露出了一个薄弱环节：当发生网络分区或服务达到配额时，标准的 RPC 调用会崩溃。在这些时刻，智能体可能会基于未经验证的假设采取行动，从而破坏共享状态。新架构强制要求每个操作在任何组件接受之前都必须携带加密证明，将“默认信任”转变为“仅在证明后信任”。

保持智能体同步的五项治理规则

  1. 事务性摄取 – 将所有状态更改封装在单个 PostgreSQL 事务中，以保证原子性。
  2. 标准信封 – 为每条消息使用固定的十元组格式，使解析和验证具有确定性。
  3. 权限分离 – 将应用程序代码保存在 Git 中，同时单独对数据库迁移进行版本控制，防止意外的交叉污染。
  4. 有时限的锁 – 让任务申领自动过期，这样停滞的智能体就不会阻塞流水线。
  5. 默认故障闭锁 – 将任何缺乏可验证证明的申领标记为 HOLD，迫使下游智能体等待而不是进行猜测。

这些规则共同构成了一个零信任契约：如果你无法通过加密方式证明某个操作已经发生，系统将拒绝执行该操作。

携带证明的十元组信封

内部总线上的每次移交都包括：

  • event_id – 原始事件的唯一标识符
  • effect_id – 请求的状态更改标识符
  • log_id – 审计追踪条目的引用
  • producer_id – 源智能体的身份
  • schema_version – 所使用的消息模式版本
  • session_epoch – 会话内排序的逻辑时钟
  • destination – 目标智能体或服务
  • route_status – 当前路由状态（例如：pending、held）
  • issued_at – 创建的时间戳
  • payload_digest – 使用 HMAC 密封的有效负载哈希值

该摘要使用存储在任何云工作区文件夹之外的密钥，确保受损的计算节点无法伪造有效的消息。

系统在压力下的表现

工程师运行了 82 个混沌测试周期。结果如下：

  • 对于产生单一效应的事件，实现了 100% 成功；事务要么完全提交，要么干净地回滚。
  • 在断电期间 零重复更改，证实了事务边界防止了部分写入。
  • 得益于自主清理智能体，实现了 快速锁恢复；这些智能体负责扫描过期的申领并在无需人工干预的情况下将其释放。

给架构师的实用建议

  • 使用由 HMAC 密封的日志取代未经身份验证的 Webhook；该密封件可作为故障闭锁规则所要求的加密证明。
  • 将密钥存储在未挂载到任何容器或虚拟机镜像中的密钥库（vault）中。
  • 部署轻量级智能体，其唯一目的是清理过期的锁；这可以防止主智能体崩溃时系统陷入停滞。

下一步值得关注的方向

该方法取决于 HMAC 密钥的保密性；请务必将您的密钥保存在云工作区文件夹之外。

如果社区能够解决这两个方面的问题，故障闭锁自主网络可能会成为任何无法承受单点不一致性的多智能体部署的默认选择。