ABAR:让 Agent 成为可治理的运行单元
ABAR 用不可变 Revision、长期 Session、异步 Message 和结构化 Runtime Event,重新回答 Agent 如何从演示走向真实业务运行。
做一个能回答问题的 Agent 并不难。
接入一个模型、拼几段 Prompt、注册两个 Tool,再写一个循环,一个看起来完整的 Demo 很快就能跑起来。可一旦把它交给真实业务,问题会立刻换一个方向:谁能修改 Agent 的能力边界?一次写操作由谁批准?服务重启后任务从哪里继续?外部系统超时后应该重试还是等待?模型看到的敏感字段由谁负责移除?
这些问题已经不属于 Prompt 工程,也不是再增加一层 Agent 编排就能自然解决。
ABAR (Agent Build And Runtime)尝试从一个更基础的位置回答它们:把 Agent 当作一种可发布、可执行、可恢复、可治理的运行单元。
它的核心链路很短:
Agent Revision -> Session -> Message -> Runtime Event
ABAR 使用 Rust 实现,定位是一个“薄而业务中立”的 Agent Build/Runtime 核心。它不试图定义所有业务,也不把某个模型厂商、某个聊天页面或某套工作流固化成平台本身。
为什么不是再写一个 Agent 框架
大多数 Agent 框架首先关心的是“如何完成一次推理”:怎样组织 Prompt,如何调用 Tool,怎样维护短期记忆,以及如何把多个步骤串起来。
这些能力当然重要,但真实业务还会追问另一组问题:
- Agent 现在运行的是哪个版本?
- 修改 Prompt 和扩大 Tool 权限,是不是同一类变更?
- 一个长期会话是否可以跨越多次任务和多个进程继续存在?
- 写操作在执行前,审批人看到的是不是精确参数?
- 服务重启后,正在运行的任务如何恢复?
- 外部写请求结果未知时,系统是否会悄悄重复调用?
- 哪些数据可以进入模型上下文,哪些必须被拒绝?
- 平台管理员能看到业务对话和最终输出吗?
ABAR 把这些要求收进了核心模型,而不是留给每个业务项目各自补一套不可复用的基础设施。
四个核心对象
ABAR 用四个对象描述 Agent 的生命周期。
Agent Revision:Agent 的可发布制品
Revision 不是一段临时 Prompt,而是一个经过解析、校验和封存的不可变版本。它由四部分组成:
Agent Revision
├── resourceScope
├── behavior
├── knowledgeSources
└── toolBindings
resourceScope 固定 Tool ID 与最大 effect、Skill ID、Knowledge Source ID、数据类别、模型类别和最大步骤数。
behavior 固定带摘要的 Prompt、Skill 与业务规则引用。
这种拆分带来一个重要区别:行为变化和资源扩张不是同一种发布风险。
修改措辞、调整工作方法或更新普通知识文档,可以生成新的 Current Revision;如果新增写 Tool、扩大数据范围或引入新的能力边界,Revision 会进入 waiting_review,等待 Scope Review。
Agent 因此不再是一组运行时配置,而是一个可追踪、可审核、可回滚的软件制品。
Session:长期上下文,而不是一次任务
Session 归属于一个已认证的 Tenant 和用户,是长期上下文容器。它不是进程、容器或单次任务。
一个 Session 同时只能有一个活动 Message,但可以在 active、idle、closed 和 archived 之间迁移。用户可以在同一个 Session 内继续追问、调整条件或确认执行。
这条边界很重要。业务用户面对的是一段连续协作关系,而平台内部的执行单元仍然可以保持清晰。
Message:一次受约束的执行
Message 是某个 Agent Revision 的一次实际执行。
它不是只保存“用户说了什么”和“模型回答了什么”,而是记录输入、请求的 Skill、使用的 Revision、实际模型、Tool、Knowledge、Schema、Tool 结果、审批证据、checkpoint、输出和 Runtime Event。
执行状态也不是一个简单的成功或失败:
queued -> running
running -> waiting_approval | waiting_external | completed | failed | cancelled
waiting_approval -> running | failed | cancelled
waiting_external -> running | failed | cancelled
当外部写操作结果未知时,Message 会停在 waiting_external,保存精确 Tool ID、参数和幂等键。系统不会因为连接超时就静默重发写请求。
Runtime Event:执行过程本身也是数据
只保存最终输出,无法解释一次 Agent 为什么这样做。
ABAR 同时记录结构化 Runtime Event、Tool 证据、审批决定、checkpoint 和 Token 计量。日志、诊断与指标围绕这些状态构建,同时避免把 Token、Secret、Prompt、完整 Tool 参数或业务输出直接写进日志。
这让“可观测”不再只等于一个耗时数字,而是能回答执行在哪里停下、等待什么、使用了哪些证据,以及恢复后从哪里继续。
Build:把 Agent 定义成业务契约
ABAR 把一个业务 Agent 拆成一组可读文件:
my-agent/
├── agent.yaml
├── scope.yaml
├── behavior.yaml
├── knowledge.yaml
├── tools.yaml
├── prompt/
│ └── system.md
├── skills/
│ └── <skill-id>/SKILL.md
└── rules/
└── <rule-id>.md
这里最值得注意的是 scope.yaml:
tools:
read:
- inventory.query_*
write:
- inventory.create-transfer-order
skills:
- transfer-decision
knowledgeSources:
- transfer-policy
data:
allow:
- inventory
- sales
deny:
- cost
- gross-margin
它回答的不是“Agent 可能会做什么”,而是“Agent 最多可以接触什么”。
abar publish 会读取 Revision 项目,检查 Source 路径,计算各部分的摘要,生成保守的 Scope Diff,并不可变地保存 Revision。资源范围扩大时必须经过审核;只有行为和内容变化时,才允许直接移动 Current 指针。
Agent 的权限边界因此从 Prompt 里的文字约定,变成了 Build 阶段可以验证、可以比较、可以审核的契约。
Runtime:模型产生意图,系统决定是否执行
ABAR 的一条核心安全不变量是:
模型只产生意图,不获得执行权限。
一次 Message 的执行路径可以简化为:
Message
-> Context Assembly
-> Model
-> Tool Intent
-> Scope and DataPolicy
-> Tool Execution
-> Evidence / Approval / External Wait
-> Result or Recovery
模型可以提出 Tool 调用,但调用必须先通过 Revision 范围和 effect 校验。
读操作可以在同一持久意图下安全重试;写操作则必须进入审批链路,并使用精确参数与幂等键。Tool 结果在进入模型上下文之前还要经过 DataPolicy 投影,禁止字段会被移除,敏感值也会阻止其出现在模型输出中。
这套设计并没有假设模型一定会遵守 Prompt。它假设模型可能出错,因此把真正的授权放在模型之外。
审批不是弹出一个确认框
在很多系统里,“人工审批”只是一个确认按钮。
ABAR 对写审批的定义更具体:审批证据必须绑定 Tool ID、精确参数、Agent Revision、幂等键和 Approval ID;审批不能跨 Message 或 Revision 复用。
审批权限还是独立的 ApprovalAuthorizer 边界。用户通过身份认证,不代表他自动拥有批准业务写操作的权力。
审批收件箱只暴露同一 Tenant 内、当前角色有权处理的最小待调用证据,不返回申请人的 Session 历史、最终输出、Composition 或 Tool 结果。
身份、申请、批准和执行因此被拆成四个不同层次。
恢复不是重新执行一遍
Agent 运行时最容易被低估的问题是恢复。
ABAR 把恢复所需状态保存在 Worker 之外,包括 Session 与 Message 记录、Execution Composition、审批和待外部调用证据、checkpoint、Tool 结果以及 append-only Runtime Event。
服务启动后:
queuedMessage 重新派发;runningMessage 从 checkpoint 或已批准写继续;waiting_approval保持挂起,等待新的审批决定;waiting_external查询精确持久 Tool 调用,而不是重新发起另一个写请求。
这使“重启恢复”不等于“再执行一次”。恢复恢复的是同一次业务意图。
身份边界:浏览器为什么不接触 IdP Token
ABAR 的 WebUI 在 OIDC 模式下使用 Authorization Code + PKCE,并作为 Backend for Frontend 运行。
浏览器只持有不透明的 HttpOnly、SameSite=Lax 会话 Cookie。Access Token 和 Refresh Token 只保存在 WebUI 服务端内存;写请求还需要会话绑定的 CSRF Token。浏览器不会直接接触 ABAR Server Bearer Token,也不会接触 IdP Access Token。
Server 端可以启用严格 OIDC Introspection,校验 Active、Issuer、Audience 和过期时间,再通过 UserInfo 解析 Subject、Tenant 与 Roles。
这里的目标不是“在浏览器里多藏一个 Token”,而是从结构上避免 Token 进入前端执行环境。
两类界面,两条治理边界
ABAR 没有把业务使用和平台治理塞进同一个界面。
Agent WebUI 面向业务用户:
- 选择 Agent;
- 创建和继续 Session;
- 多轮追问;
- 确认写操作;
- 查看执行证据、审批结果和 Runtime 状态;
- 取消或等待外部对账。
Platform Console 面向平台管理员:
- 查看 Agent 与 Revision 目录;
- 处理 Scope Review;
- 查看当前 Tenant 的 Runtime 聚合;
- 查看平台健康状态。
Platform Console 不接收 Session 对话、Prompt、完整 Tool 参数或最终业务输出。
“能运行 Agent”和“能治理 Agent 平台”是两种不同职责,也应该拥有不同的最小数据视图。
从商品运营场景验证核心
ABAR 没有用许多互不相关的示例来证明能力,而是围绕一个统一的商品运营助手,把核心路径走到底。
用户可以直接问:
看看华东库存异常门店,判断应该补货、配货还是门店间调拨
Agent 根据同一个业务上下文识别配货、补货或调拨意图,选择对应 Tool,并在写操作前进入审批。
示例中包含确定性的 OpenAI-compatible 模型、Mock MCP Server、业务规则、知识文档、View Pack、钉钉经理告警和端到端脚本。另有 300 门店规模的试点负载测试,以及离线状态备份与恢复。
一个业务场景不是“示例数量少”,而是让 Build、Runtime、数据策略、审批、恢复、WebUI、控制面和测试围绕同一组真实对象闭合。
ABAR 主动不做什么
“薄核心”也意味着明确承认边界。
ABAR 的 Worker 是进程内实现,跨进程分布式租约不属于这个薄核心;组织 IAM 仍属于外部 AuthProvider;模型、Tool、Knowledge、DataPolicy 和 ContentProvider 都通过 Adapter 扩展;诊断接口只读,并按调用者隔离。
它不试图成为一套完整 Agent OS,也不要求业务把所有能力塞进同一个进程。
ABAR 更关心的是:无论最终由哪个模型、哪组 Tool 或哪个业务系统参与执行,Revision、授权、审批、恢复和证据这些不变量始终成立。
最后
Agent 从 Demo 走向生产,难点很少是“它能不能回答一次”。
真正困难的是,当它连续运行几个月、经历多次发布、接入多个外部系统、面对不同角色和真实写操作之后,系统是否仍然能够回答:
谁允许它这样做?它现在是什么版本?这一次执行进行到哪里?证据是什么?失败之后从哪里继续?
ABAR 给出的答案是四个对象、一条短执行链,以及一组不依赖模型自觉的安全边界。
这也是它最像“运行时”,而不是“聊天框架”的地方。
本文采用 CC BY-NC 4.0 许可协议。
讨论
留下你的问题、补充或不同意见。