ActiveGraph：日志即 Agent——事件溯源的反应式图架构

一句话版本：Yohei Nakajima（BabyAGI 作者）提出了一种颠覆性的 agent 架构——不是用 LLM 对话循环驱动一切，而是让 append-only 事件日志成为源头真理，agent 行为只是对图状态变化的反应。这就实现了确定性重放、廉价分叉和完整因果溯源——三个现有 agent 框架做不到的事情。

来源

• 🔗 论文 (arXiv)
• 🔗 GitHub (Apache-2.0)
• 🔗 文档

日期: 2026-05-21 提交，Yohei Nakajima（Untapped Capital）

核心内容

现有架构的问题

所有主流 agent 框架（LangChain、CrewAI、AutoGPT 等）都是这么长的：

1. 先有 LLM 对话循环

2. 加上 工具调用

3. 加上 规则和护栏

4. 最后在外部"拧上"日志层做可观测性

5. 状态用某种 lossy 方式存成"memory"（摘要、嵌入、向量索引）

后果就是：日志是副产品，不是主体。你想回答"这个结论是怎么来的"？一场噩梦。

ActiveGraph 的颠倒设计

日志不是副产物——日志就是 agent 本身。

• append-only 事件日志是 源头真理（source of truth）
• 工作图（graph）是日志的 确定性投影（通过 fold/replay 重建）
• 行为（behaviors） 订阅图模式，对变化做出反应，emit 新事件
• 没有组件指令另一个组件——协调完全通过共享图隐式发生

事件的例子

{"id": "evt_002", "type": "goal.created", "actor": "user",
 "caused_by": null, "payload": {"goal": "Diligence: Northwind Robotics"}}

{"id": "evt_003", "type": "behavior.started", "actor": "runtime",
 "caused_by": "evt_002", "payload": {"behavior": "diligence.company_planner", ...}}

{"id": "evt_004", "type": "object.created", "actor": "diligence.company_planner",
 "caused_by": "evt_002", "payload": {"object": {...}, "provenance": {...}}}

每个事件都有 caused_by 指针，构成完整的因果链路。

四种行为体

三个关键能力

1. 确定性重放

理论上 LLM 调用是非确定性的，但 ActiveGraph 的做法：首次执行时把 LLM 响应作为事件记录下来；重放时通过内容寻址缓存（content-addressed cache，按请求哈希索引）直接返回缓存的响应，不做新的模型调用。

这就意味着你可以从一个日志文件完整重现 agent 的整个运行过程，包括中间每个 LLM 调用返回了什么。

2. 廉价分叉

在日志的任意事件处分叉，共享前缀不重新执行。这意味着你可以做反事实实验：

• "如果在 step 42 用了另一个 prompt，结果会怎样？"
• 分叉后自动缓存前缀，只需要执行分叉点之后的新路径

3. 端到端谱系

从高层目标（"调研这家公司"）到最底层的 single model call，完整的因果链都在日志里。每个对象都记录 created_by 和 caused_by_event。这不是事后追溯，而是架构第一性原理。

确定性契约

行为体必须是输入确定的函数：

• 不能直接读随机数、wall-clock 时间、新鲜 UUID（通过运行时确定性 ID 生成器获取）
• 不能做框架外的 I/O
• 违规行为首次运行正常，重放时检测为 divergence error

不是静态施加强制。违反契约的行为第一次跑没问题，只有重放或分叉时才会在第一个不一致的事件上报错。作者明确说：这已经足够了。

工作示例：投资尽职调查

论文附带了一个完整可复现的例子：一个 diligence pack，包含 93 个对象、76 个关系、3 家公司。零编排代码：planner 行为在 goal 创建时触发，创建 company；question_generator 响应 company 自动生成研究问题；researcher 响应每个问题自动研究——完全通过事件-订阅链驱动。

与 BabyAGI 的血缘关系

BabyAGI（也是 Nakajima 的作品）本质上是一个 while 循环 + 全局任务列表：执行当前任务 → 总结目标 → 生成后续任务。ActiveGraph 将同一个循环重新表达为共享图上的反应式行为。这个演进路径非常清晰。

为什么是图而不是纯日志？

事件溯源只能提供扁平的状态投影。图提供了三层价值：

1. 订阅可以是图结构模式（如"一个 claim 回应了一个未回答的问题"），纯事件流做不到

2. 关系行为让逻辑附着在边上（对象之间的关系本身可以触发计算）

3. 结构 diff 可以比较两个运行的图拓扑差异

"日志让状态可重现，图让反应式和比较可表达。两者缺一不可。"

分析与关联

与 OpenClaw 的关联

这是最有意思的关联性。OpenClaw 目前也在做 agent 编排和记忆管理，但用的是更传统的方式（lossless-claw 已经很接近事件溯源的思路了）。ActiveGraph 的论文直接给了我们一个理论框架来思考 OpenClaw 的架构方向：

Lossless-claw 已经部分走在事件溯源的路上——保存事件日志、做紧凑摘要、支持回顾。ActiveGraph 的洞见是：如果把日志本身当做源头真理而不是副产物，就能获得 lossless-claw 提供不了的重放、分叉和谱系保证。

核心洞见值得注意

> "没有组件指令另一个组件；协调完全通过共享图发生。"

这实际上是一种 actor 模型 + 事件溯源 的混合体。和传统的 agent 框架（LangChain 等）有本质区别——传统的思维是"编排"（orchestration），ActiveGraph 的思维是"涌现"（emergence）。

作者克制的地方

Nakajima 非常诚实地说出了论文不做的事情：

• 不声称提升任务准确率
• 不声称可以证明自我改进 agent
• 只讨论架构 affordance

这种克制让论文更有价值——它是在提供一个新范式，而不是又一个刷分报告。

评分

报告生成: 2026-05-24 | 来源: arXiv:2605.21997, GitHub: yoheinakajima/activegraph