摘要
大语言模型（LLM）、求解器以及智能体团队越来越多地生成工作流动作、修复方案和计划，但一个生成的动作可能在语法上有效，却可能过时、不可行、相互冲突，或破坏触发修复的证据。我们提出智能体事务处理（Agentic Transaction Processing, ATP），这是一种事务模型，它将生成的动作视为不可信提议，直到这些提议在声明的、可执行的约束集 C 下通过确定性准入。该原则具有两面性：提议并非真理，也没有任何提议能预见所有干扰；任何事物都可以提议，但只有运行时负责准入和提交，当未预见的干扰发生时，它会在边界内进行反应式修复，而非信任新的提议。相对于 C，已提交状态的正确性变得独立于提议层的胜任能力、诚实性或学习能力。我们在 Mnemosyne 中实现了 ATP，这是一个运行时系统，包含仅追加的转换日志、有效状态投影、依赖安全的补偿以及活跃提交记录，并证明了相对于 C 的四个安全属性（权限分离、串行等价生成式准入、证据保留修复以及义务约束），同时为其局部化修复协议（LCRP）提供了有界反应式修复保证。一个可复现的工件在九项伪造测试中拒绝了目标违规行为，同时仍允许有效工作通过，其投影与验证开销低于 6%，并且有界局部修复编辑的操作数量比全局重新计算少一个数量级。Mnemosyne 是开源的：https://this https URL。