Tape：Agent 上下文管理的新范式

> 来源: https://tape.systems | https://github.com/ServiceNow/TapeAgents | https://arxiv.org/abs/2412.08445 | https://arxiv.org/abs/2602.23193

> 核心主张: "Context as Architecture"——上下文不是附属品，是架构本身

> 日期: 2026-03-12

📌 一句话总结

Tape 是一种将 Agent 的所有行为记录为不可变、只追加的结构化事实序列的架构范式。它不是某一个框架，而是一种跨越学术论文（TapeAgents, ESAA）、开源项目（Bub）和理论网站（tape.systems）的思想运动——正在重塑我们对 Agent 记忆和上下文的理解。

🧠 核心思想：上下文即架构

当前的问题

所有 LLM Agent 都面临一个根本矛盾：

Agent 的能力 ∝ 上下文质量
上下文质量 ∝ 信息量
信息量 ↑ → Token 成本 ↑ + 注意力稀释 ↑ + 延迟 ↑

当前的应对方式：

• 滑动窗口：丢弃旧消息 → 丢失信息
• 摘要压缩：LLM 自动摘要 → 幻觉 + 信息损失不可控
• RAG 检索：按需检索 → 检索质量不稳定

Tape 的回答：不要在"保留多少"和"丢弃多少"之间做选择——全部保留，按需组装。

Tape 的四个核心概念

┌─────────────────────────────────────────┐
│              TAPE（完整记录）             │
│                                         │
│  Entry #1  Entry #2  Entry #3  ...      │
│  [user]    [思考]    [工具调用]    ...    │
│                                         │
│         ⬇ Anchor（检查点）              │
│  ┌──────────────────────────┐           │
│  │ phase: "research_done"   │           │
│  │ summary: "选择了 Rust"    │           │
│  │ evidence: [3, 15, 42]    │           │
│  └──────────────────────────┘           │
│                                         │
│         ⬇ View（按需组装）              │
│  ┌──────────────────────────┐           │
│  │ Anchor 状态               │           │
│  │ + 相关 Entry（检索）      │           │
│  │ + 当前任务指令             │           │
│  │ = 发给 LLM 的 Prompt     │           │
│  └──────────────────────────┘           │
└─────────────────────────────────────────┘

🔬 三个实现：从理论到实践

1. TapeAgents（ServiceNow Research）

最成熟的学术实现。

• 来源: https://github.com/ServiceNow/TapeAgents
• 论文: arXiv:2412.08445（2024-12）
• 团队: ServiceNow Research（Dzmitry Bahdanau 等）
• Stars: 高活跃度开源项目

核心设计：

# Agent 读 Tape → 生成 Prompt → 追加新 Step
class MainNode(Node):
    def make_prompt(self, agent, tape) -> Prompt:
        return Prompt(messages=tape_to_messages(tape))
    
    def generate_steps(self, agent, tape, llm_stream):
        yield AssistantStep(content=llm_stream.get_text())

关键能力：

• 可恢复执行：从任意中间 Tape 恢复 Agent 运行
• Step 级调试：逐步回放 Agent 的每一个决策
• Tape 复用：Agent A 的 Tape 可以给 Agent B 使用
• 训练数据生成：Tape 天然是结构化训练数据
• LLM 微调：用优质 Tape 微调小模型（案例：Llama-3.1-8B 达到 GPT-4o 水平）

独特之处：Tape 不只是日志——它是可复用、可优化的资产。论文展示了用 GPT-4o 的 Tape 微调 Llama-8B，让小模型表现接近大模型。

2. ESAA（Event Sourcing for Autonomous Agents）

将软件工程的 Event Sourcing 模式引入 Agent。

• 论文: arXiv:2602.23193（2026-02）
• 核心创新：Agent 不直接修改状态——它只发出意图（Intention）

传统 Agent:    Agent → 直接写文件/执行命令
ESAA Agent:    Agent → 发出 Intention → 编排器验证 → 持久化事件 → 应用效果

架构要素：

• agent.result / issue.report：Agent 发出的结构化意图
• activity.jsonl：追加式事件日志（不可变）
• roadmap.json：可验证的物化视图
• AGENT_CONTRACT.yaml：边界约定
• esaa verify：重放验证 + 哈希校验

案例验证：

• 着陆页项目：9 任务、49 事件、单 Agent
• 临床仪表盘：50 任务、86 事件、4 个并发 Agent（Claude Sonnet、GPT-5 Codex、Gemini 3 Pro、Claude Opus）

关键洞察：意图与执行的分离 = Agent 不能"偷偷"改东西。所有状态变更都经过编排器验证。这对安全和审计至关重要。

3. Bub + tape.systems

最前沿但最早期的实现。

• 来源: https://tape.systems | https://github.com/bubbuild/bub
• 特色：Anchor 可以形成非线性图——不只是一条时间线

        Anchor A
       /        \
  Anchor B    Anchor C   ← 分支（fork）
       \        /
        Anchor D          ← 合并（merge）

高级特性：

• 多节点 Anchor 图（非线性历史）
• 策略驱动的 View 组装
• 显式的血统追踪（lineage & provenance）

📐 Tape vs 现有方案

vs 传统对话历史

vs Event Sourcing（软件工程）

Tape 本质上就是 Event Sourcing 在 AI Agent 领域的应用：

这不是巧合——ESAA 论文明确引用了 Event Sourcing 模式。

vs OpenClaw 的 Session Compaction

💡 为什么 Tape 重要？

1. Agent 正在变长

从"一问一答"→"多轮对话"→"跨天项目"→"跨月工作流"。上下文管理不再是优化项，而是基础设施。

2. Agent 正在变多

从"单 Agent"→"多 Agent 协作"→"人机混合团队"。需要标准化的信息传递和交接协议。

3. Agent 需要可信

企业场景需要：每个决策可追溯、每个操作可审计、异常可回滚。Tape 的不可变性天然满足。

4. Agent 可以被优化

Tape 是训练数据的自然形态。好 Agent 的 Tape 可以微调差 Agent → 知识蒸馏成为框架原生功能。

🌍 生态全景

            tape.systems（理论）
                  │
    ┌─────────────┼─────────────┐
    ▼             ▼             ▼
TapeAgents      ESAA          Bub
(ServiceNow)  (学术论文)    (bubbuild)
成熟度: ★★★★  成熟度: ★★★  成熟度: ★★
场景: 通用    场景: 安全    场景: 协作
特色: 训练    特色: 验证    特色: 交接

相关但不同的项目：

• LangGraph：有 checkpoint 概念，但不是不可变 Tape
• DSPy：有优化能力，但没有 Tape 的审计/交接功能
• AutoGen：有多 Agent，但没有形式化的交接协议

🔮 对我们的启发

短期可借鉴

1. 深度研究报告 = Tape：我们的报告系统已经是追加式的——每个报告是一个 Entry，有来源链接（= source_ids）。可以更显式地结构化

2. Sub-Agent 交接：spawn 子 Agent 时传入结构化 Anchor（而不是自由文本摘要），可以提高子 Agent 的上下文质量

长期值得关注

3. Tape 训练循环：如果未来 OpenClaw 支持 Tape 格式，我们的所有 Agent 交互都自动成为训练数据——可以微调小模型做日常任务

4. ESAA 安全模式：Agent 不直接执行，只发出意图 → 编排器验证后执行。对于高风险操作（发邮件、转账、部署），这是正确的架构

📊 评分

报告由深度研究助手自动生成 | 2026-03-12

来源: https://tape.systems | https://github.com/ServiceNow/TapeAgents | https://arxiv.org/abs/2412.08445 | https://arxiv.org/abs/2602.23193