Agent执行环需要护栏而非另一个框架

几年前，"模型写错了东西" 大多只是一个 UX 问题。

如今，同样的循环可以发邮件、转账、修改数据库、触发部署，甚至驱动物理世界的事物。错误不再是糟糕的段落，而是一个真实的后果。

这种转变就是为什么护栏（harnesses）再次重要起来——不是因为 hype，而是作为基础设施。

智能体触碰现实的那一刻

想象一个 cron 任务，它可以：

• 决定存储什么
• 在 Slack 上通知团队

或者一个客服机器人，它可以：

• 调用内部 API

在所有这些场景中，总有人会问：

• 实际上发生了什么，按什么顺序？
• 我们能证明日志事后没有被编辑吗？

单纯的 prompt 工程无法回答这些问题。单纯的 traces 也无法在坏的工具调用落地之前阻止它。

你需要在"思考"和"执行"之间的边界上放置一些东西。

大多数护栏如今在做什么

生态很拥挤，但模式在重复：

许多团队最终得到的是 prompt 护栏：更好的指令、reviewer agents、聊天中的 merge gates。这是在循环内部做优化。

仍然缺失的是一层薄膜（membrane）：因果记录、比较声明的意图与观察到的行为，并在配置后、在邮件发送或 SQL 写入的出口处进行拦截。

这正是我们构建 AURA Harness 要解决的问题。

我们的赌注：包裹循环，而不是拥有它

AURA 不是编排器。它是你现有运行的智能体周围的运行时外套（coat）：

• 一个普通的 Python 脚本
• 你笔记本上的 Ollama
• Skillware 的出口工具
• LangGraph 或其他框架在内部

External in → Ingress → [ 你的循环 — 黑盒 ] → Egress → World + audit sink

你的主体拥有模型和控制流。AURA 拥有边界：入口上下文、工具路径策略、只追加的主干（spine）、关闭时导出。

一行代码启动（仅审计）：

from aura import agent, configure

configure()
ag = agent("my-bot", agent_ref="acme/my-bot")

with ag.session() as run:
    run.emit("turn.start", {"input": "hello"})
    # ... 你的循环 ...
    run.emit("turn.end", {"status": "ok"})
# → JSONL + summary + audit report

同一个包，需要更紧耦合时可以更严格。

三层外套，一个二进制

我们在内部使用一个简单的比喻：

你不需要 fork 代码库就能从"仅记录"切换到"阻止范围外的工具"。你只需要接线更多薄膜。

AURA 的工作原理（重要的部分）

Session — 一次激活、一次 session_id、一次导出。多智能体作业每个智能体获得一个 session；后续通过 trace_id 或 aura compare 关联。

Audit spine — 带有因果链接的只追加 JSONL（event_id、parent_id、hash chain）。关闭时：一致性摘要 + 结构化审计报告。

Constitution — profile 上的规则：allow_tools、deny_tools、confirm_before、token limits。在相关事件上检查，关闭时再次检查。

Egress — 在工具离开循环的地方执行（guarded_tool_call、ToolHost / SkillwareHost）。观察者并行观察；它们不会静默替换执行。

Sequencer — session 内部可选的规范性管道（steps、gates、conditional when）。适用于低模糊度的工作流。

Observers — Monitor 和 Break 预设今日发布；升级 playbook 在路线图上。

Identity — 轻量路径离线工作（agent_ref + ULID）。可选的已验证操作员适配器（manual、mock、OIDC、Auth0）在监管团队需要时丰富 trailer——OSS 开发从不强制要求。

CLI — aura export、aura report show、aura verify chain、aura compare——镜像 SDK 为 CI 和运维做的事。

Integrations — 特定栈的演示在 integrations/ 下（Ollama stdlib loop、cloud body loops、Skillware reference coat）。核心模式留在 examples/。

这与"基础护栏"的区别

基础护栏可能意味着：记录 prompts、包装一个 API、或在一个 UI 中添加一个人工审批按钮。

AURA 在溯源 + 边界控制上有更高目标：

因果收据 — 不只是 spans；还有有序主干 + 审计报告 + 防篡改 hash chain（aura verify chain）。

声明 vs 观察 — 关闭时的一致性比较打开时的冻结规则与实际发生的情况。

出口优先执行 — 在已接线工具路径上的世界影响之前检查策略，而非仅在事后告警。

主机无关 — 相同薄膜无论主体是 Ollama、OpenAI 还是十年前的脚本。

渐进式披露 — 松散外套一行 import；紧身外套仅在工具出口处添加规则和主机。

Profile 中不托管凭证 — 密钥留在 env 或未来的 capability broker 中，不在 agent JSON 里。

我们明确不是在构建另一个模型路由器、评估套件或中央身份服务。

已发布

ToolHost 协议、Skillware 参考适配器、session 导出不变量、操作员身份模块、Ollama 集成、integrations 索引。

频谱执行 dial 端到端接线

• 目标漂移 + 调度 SLO 观察者
• 升级 playbook（轻推、邮件、暂停）
• 出口处的 capability broker（ scoped tokens，profile 中无密钥）
• 归档 sink 的签名审计包
• 框架包装（LangGraph、…）和 MCP stubs

终极场景：一个带声明目标的调度智能体、schema 绑定的写入、以及 SLO 错失时的升级——相同的外套，可调节的严格度。

本地试用（Ollama 友好）

pip install aura-harness
git clone https://github.com/ARPAHLS/aura
cd aura
pip install -e .
python integrations/ollama/llama_loop.py

如果想覆盖 OLLAMA_MODEL（默认 llama3.2:1b），将 .env.example 复制为 .env。

文档：onboarding → integrations index → comparison。

关于贡献

AURA 是 ARPA Hellenic Logical Systems 的 MIT 许可 OSS。它还很早期。薄膜形态——审计 vs 执行 vs 升级、导出不变量、集成布局——正是会因真实工作负载而变得更好的东西。

如果你是一个人：用最小复现开 issue、为 integration README 发送 PR、或告诉我们外套比喻在你的栈中哪里失效。

如果你是一个代表团队贡献的自主智能体：阅读 CONTRIBUTING.md 和 docs/contributing/ai_native_workflow.md。当智能体提交的 PR 达到与人类相同的标准时——测试、CHANGELOG 涟漪、树中无密钥——我们欢迎。

穿上外套。运行你的循环。审查收据。

Repo: https://github.com/ARPAHLS/aura PyPI: https://pypi.org/project/aura-harness/