AI 代理系统的确定性重播

arXiv:2607.16200v1 公告类型：新 摘要：将大型语言模型 (LLM) 与外部工具和 API 结合起来的 AI 代理系统本质上是不确定的：LLM 采样方差、外部 API 状态、CDN 基础设施标头和执行环境噪声共同阻止任何先前运行的代理被忠实地重新执行。现有的可观察性平台捕获执行日志，但无法单独重现运行。我们推出了 agrepl，这是一个开发人员优先的 CLI 框架，用于确定性重放代理执行。 agrepl 通过中间人 (MITM) 代理拦截传输层的所有外部交互，将它们序列化为结构化执行跟踪，并在出站网络访问为零的严格隔离环境中重播它们。我们形式化代理执行模型，定义请求密钥匹配函数 K(s)，并证明确定性不变量。我们引入了一种噪声感知差异算法，将 HTTP 标头差异分为信号层和噪声层。对五个工作负载（n = 250 个重放实例）的实证评估表明，重放保真度 F = 1.0，每步延迟中值减少了 98.3%。 agrepl 在 Go 中实现，作为单个静态二进制文件发布，并根据 MIT 许可证发布。关键词：AI 代理、确定性重放、LLM 调试、再现性、MITM 代理、执行跟踪、记录/重放系统。