LONGARENA ENGINEERING / 工程实战
RSI：生产级多智能体持续进化与工程实践
从单兵幻觉到双工流水线。LongArena 将智能体架构、测试驱动开发（TDD）与无人值守安全治理的真实踩坑与实战数据完全公开。
从单兵幻觉到工业级双工流水线
LongArena 的企业级生产系统由自主多智能体工程流水线持续维护：智能体在真实生产环境中诊断、复现、测试并修复线上工单。本专区公开我们在这一过程中的第一手工程发现、架构演进与经生产验证的安全协议。
文中所有指标均来自真实生产工单的盲测对照实验，案例标识与客户信息已脱敏。
第一章：为什么单 Agent 无法胜任生产环境？
在许多演示中，给单个大模型输入完整仓库和复杂报错，模型似乎能一次性完成“分析-修复-测试”。然而在长达数月的工业级真实生产实践中，我们发现了单 Agent 闭环全流程的三大不可逾越的瓶颈：
1. 上下文肥胖综合征（Context Bloat）与推理长尾
当一个 Agent 在同一会话中连续完成探索、走读、调试与单测时，上下文迅速堆叠至 10~15 万 Tokens，累计消耗超 160 万 Tokens。这会导致模型在 High Reasoning 模式下的单次交互延迟飙升至 4~5 分钟，且网络中断和幻觉漂移的概率呈指数上升。
2. “破案”与“工匠”的心智冲突
先遣排查需要极高的探索敏感度、模糊推理与快速时空定标；而工程落地需要极高的防御收敛性、测试先行（TDD）与严格的代码边界感。强求单一角色兼顾，极易导致“排查很深入但代码粗糙”，或“代码很严谨却修错了根因”。
3. 缺乏机器化交接门禁
单 Agent 容易在“自以为已经理解”的幻觉中跳过测试直接修改代码，或者在遇到沙箱边界时产生静默回退。
为了突破这一瓶颈，LongArena 开创了双 Worker 协同流水线（Dual-Worker Pipeline）。
第二章：双工协同流水线（DSH 探针 + Codex 工匠）
我们根据认知特性，将流水线严格解耦为两组异构智能体与一道强交接门禁。
Stage 1 DSH 先遣探针（Worker 1: Scout-Investigator）
- 职责：纯只读探索、代码调用链走读、基于安全跳板的只读库表时空定标。
- 特点：轻量级无头执行、不累积冗余对话历史、不编写任何业务代码。
- 产出：工业级技术调查报告，明确直接根因、受影响主键、历史突变时间窗与修复建议。
INVESTIGATION_REPORT.md
Stage 1.5 Guardian 强交接门禁（Quality Gate）与会话蜕皮（Molt）
- 外部守护进程执行机械化断言：调查报告存在且非空（> 1024 字节）。
- 检查报告包含核心必要事实：根因、源码定位、对照组证伪、突变形态。
- 扫描检查报告不包含明文密码或凭据泄露。
- 质检通过后，触发白蚁协议第 9 条“会话蜕皮（Molt）”，彻底切断历史上下文。
Stage 2 Codex 施工工匠（Worker 2: Craftsman-Solver）
- 在纯净的全新上下文中启动，仅注入上游排查结论。
- TDD 契约单测先行：先编写测试用例复现漏洞，确认红灯基线。
- 靶向防御编程：补充完整性校验与槽位防护，杜绝整条替换破坏。
- 跑绿测试与全套 CI 门禁：单测 100% 通过，跑通类型检查与组件构建。
- 收官归档：输出生命周期报告，恪守生产发布边界。
regression-before.log regression-after.log LIFECYCLE_REPORT.md
INVESTIGATION_REPORT.md
-> Guardian Gate: non-empty > 1KB, facts complete, no credentials
-> regression-before.log (RED baseline)
-> targeted defensive fix
-> regression-after.log (GREEN, 84/84)
-> LIFECYCLE_REPORT.md真实生产工单对比评测数据（脱敏对照实验）
同一生产工单（商机决策槽位完整性防御）分别在单 Agent 闭环与双工流水线下执行的盲测对照：
| 评测指标 | 单 Agent 闭环模式 | 双工协同流水线 (DSH + Codex) | 工程收益 |
|---|---|---|---|
| 排查完成耗时 | ~14 分钟（混杂在长会话中） | 9 分 16 秒（556 秒） | 提速 35% |
| 单轮上下文峰值 | 130,711 Tokens（极度臃肿） | < 15,000 Tokens（清爽轻量） | 降低 88% |
| 全流程 Token 消耗 | 1,643,347 Tokens | ~180,000 Tokens | 算力成本降低 89% |
| 单次推理等待延迟 | 4 ~ 5 分钟 / 轮 | 20 ~ 40 秒 / 轮 | 时延降低 85% |
| 测试与质量保证 | 84 项测试全绿 | 84 项测试全绿（红灯基线先立） | 消除长尾超时风险 |
实验背景与指标口径说明
实验对象为真实线上数据异动工单（案例编号 CASE-SN15，已脱敏）。单 Agent 组由同一模型在单会话内完成排查、修复与测试全流程；双工组按 Stage 1 / Stage 1.5 / Stage 2 严格分工。上下文峰值取单轮请求最大值，Token 消耗为会话累计值，时延为单轮推理等待时间。
第三章：生产数据异动五维溯源方法学（Production Data Trace）
在云原生与多端协同系统中，数据异常时常陷入三方推诿：“是底层生成器缺陷？AI 工具改坏了？还是运营在后台人工改错了？”LongArena 沉淀了通用的五维时空溯源定标方法学：
1. 四维时空定标（T0 / T1 / T2）
比较初始生成母本的创建时间（T0）、课堂正常运行时间（T1）与异常发生时间（T2）；若 T1 阶段数据完好且有正常交互记录，则当场排除“初始生成器缺陷”。
2. 对照组证伪（Control Group Falsification）
检查同剧本、同租户其他未报错组别与 NPC；若其他 NPC 标记完好且玩法引擎正常触发，则排除“系统底层玩法引擎缺陷”，定性为“特定对象数据受损”。
3. 突变形态诊断（Mutation Pattern Diagnosis）
区分“增量字段更新”与“整条删除重建（Hard Delete + Reinsert）”：通过自增 ID 跃迁和更新时间戳，查证系统是否存在“更新非关键属性时却粗暴重写整条列表、导致元数据槽位静默归零”的架构漏洞。
4. 主体指纹三角定位（Fingerprint Triangulation）
提取突变时间窗口内的 Web 访问日志：结合请求 IP、用户代理（User-Agent）、接口端点与操作节奏，精准定位触发主体。
5. 最小差异幂等恢复与长效契约防御
严禁通过“修改前端假状态”或“让用户重新出牌”冒充修复；修复不仅要在客户端补齐元数据槽位，更要在服务端接口建立不可绕过的槽位完整性契约校验。
第四章：安全网与白蚁协议（Termite Protocol）
无人值守迭代（Unattended RSI）的最大风险不是“做不出”，而是“失控破坏”。为此，LongArena 确立了不可让渡的四大安全底线：
1. 只读跳板与凭据隔离
Worker 绝不直接读取包含真实明文凭据的环境变量文件；通过系统核验的只读跳板脚本在非占用端口建立瞬时通信，禁止向公网泄露任何凭据。
2. 物理工作区隔离（Git Worktree Isolation）
每个工单必须在独立的物理 Worktree 和专属 Git 分支中施工，依赖通过受保护的全局缓存共享，严禁在主干工作区直接施工。
3. 权限分立与独立复核员（Independent Reviewer）
施工 Worker 产出代码后，由另一个独立的只读 Reviewer 进程进行安全与代码审查，审查通过后才提交至候选发布队列；严禁施工 Worker 自提自发。
4. 白蚁协议自演进内核
遵循 10 条自演进语法与 4 条安全网：任何行动留下可追踪痕迹（DEPOSIT）、高权重风险强制升级（ESCALATE）、上下文超限必须蜕皮交棒（MOLT）。
工程专区更新日期： · demo@long-arena.com