KeyFrame內部研究專用

The Prompt is the Platform - Dominik Tornow, Resonate HQ

AI Engineer·6月29日週一·17 min英文

三句話摘要

AI agents在分布式系統設計中的角色演進——從代碼實現轉向系統設計,通過規範復用和目標特定實現的生成。 讓 agents 在確定性仿真環境中參與系統設計(而非僅代碼實現),結合極簡規範的復用,可高效為不同基礎設施定制生成生產級分布式系統。 規範復用取代實現復用:傳統方式是復用已實現的通用庫和框架,未來轉向復用規範,agents 根據各基礎設施生成定制實現。這樣每套基礎設施都能獲得最優化的實現,同時最小化額外依賴,改變了商業模式——產品不再是實現,而是規範本身。

重點整理

重點
  • 1

    規範復用取代實現復用:傳統方式是復用已實現的通用庫和框架,未來轉向復用規範,agents 根據各基礎設施生成定制實現。這樣每套基礎設施都能獲得最優化的實現,同時最小化額外依賴,改變了商業模式——產品不再是實現,而是規範本身。

  • 2

    Agents 需向上游移動,從實現者變設計者:最初嘗試讓 agents 從抽象規範直接生成生產級實現會失敗(間隔太大)。透過引入「具體規範」中間層,以及讓 agents 在仿真中進行「可執行設計」,agents 現在能先驗證算法正確性再實現系統,而不是只做盲目代碼生成。

  • 3

    確定性仿真暴露「禁果」資訊,提供因果推理能力:真實系統隱藏了讀操作是新鮮還是陳舊的事實,但仿真可完整記錄。當 agents 的算法因陳舊讀取出錯時,仿真環保能精確再現場景並說明「為什麼失敗」而不只是「出錯了」,讓 agents 看見因果關係進而修復算法。

  • 4

    極簡是前提條件,不是起點:花 3 年精簡 Resonate 協議,每遇問題就問「能刪什麼」「哪些抽象可消除」。小而清晰的協議(只含 durable promise、durable task)更容易讓 agents 理解和實現,因為即使簡單的並發分布式協議也有複雜狀態空間。

實用技巧與重點

乾貨
  • Resonate 實現與支持
  • Resonate server 實現
  • SDK 支持語言:TypeScript、Python、Rust、Go、Java
  • 核心協議對象:durable promise、durable task
  • 基礎設施合作
  • 合作對象:Synadia(NatSIO 幕後公司),NatSIO 是開源消息系統
  • NATS.IO 提供的基礎原語:Queues、key-value store、delayed/scheduled messages
  • 四階段實現流程
  • 抽象規範(Abstract Specification)
  • 仿真實現(Simulation Implementation)
  • 具體規範(Concrete Specification)
  • 生產實現(Concrete Implementation)
  • 仿真環境特性
  • 確定性、可重複、可檢查
  • 能模擬 NATS.IO key-value store 行為(包括版本控制、陳舊讀取)
  • 乐觀並發控制(寫入前檢查版本)
  • 記錄「禁果」:讀取型別(新鮮/陳舊)、隱藏的最新值、觸發的邏輯、寫入失敗原因、破損的不變量
  • 核心概念
  • "The prompt is the platform"(提示詞就是平台)
  • "The specification is the product"(規範就是產品)
  • "Forbidden fruit"(禁果)——仿真環境記錄真實系統隱藏的信息

結論

結論

讓 agents 在確定性仿真環境中參與系統設計(而非僅代碼實現),結合極簡規範的復用,可高效為不同基礎設施定制生成生產級分布式系統。

完整解析

詳細

Resonate 創辦人提出一個預言:2026 年,通用編程框架會被定制實現所取代,這些實現由 AI agents 根據規範按需生成。這背後的邏輯是軟件工程的未來不是更多通用庫,而是針對特定基礎設施的最小化定制。復用的重心從「復用現成實現」轉向「復用規範」,agents 會根據不同基礎設施派生多個定制實現。

在這個新現實中,Resonate 的商業策略隨之轉變。公司不再只賣實現,而是賣規範和協議。基於這規範,可與多個基礎設施供應商合作生成針對其技術棧的 server 實現,讓客戶在現有基礎設施上直接獲得持久執行能力,無需額外依賴。

演講核心討論 agents 在系統設計中的角色演進。最初嘗試讓 agents 直接從抽象規範生成 Postgres 上的 Rust 實現,結果失敗了。agents 生成的系統在快樂路徑上能通過基礎測試,但在並發、進程失敗和網絡故障下崩潰。問題在於抽象規範與具體實現的鴻溝太大。解決方案是引入「具體規範」中間層。人類先與 agents 合作定義針對 Postgres 的數據模式、索引、SQL 查詢和事務邊界,有了這個具體規範,agents 才能成功實現生產級系統。

但這種方法的局限是 agents 只參與實現,未參與設計。要讓規範成為可復用產品,agents 需向上游移動。在與 NatSIO 合作時,團隊改變了策略,不問「agents 能否構建生產系統」,而問「agents 需要什麼才能先設計再實現」。答案是確定性仿真環境。agents 被給予模擬的 NatSIO 環境,任務不是構建生產系統,而是構建仿真實現——可執行的設計。目的是在部分故障和偏序狀態下發現正確算法。agents 在可重複、確定性的環境中測試和驗證算法,直到正確為止。只有當算法驗證通過,才要求 agents 寫具體規範和生產實現。流程變成:抽象規範→仿真實現→具體規範→生產實現。

使這成為可能的關鍵是極簡主義和簡潔性。Resonate 花 3 年精簡協議,不斷問「能刪什麼」「哪些抽象可消除」「哪些屬性可移除」。最終協議只圍繞 durable promise 和 durable task 兩個對象。這很重要,因為即使簡單的並發分布式協議也有複雜的狀態和行為空間。

演講最後深入仿真的實現細節。agents 在真實系統上看不到讀操作返回的是最新值還是陳舊值,但仿真可記錄——稱為「禁果」。仿真環境記錄每次 get 操作,如果是新鮮讀取就記錄「新鮮」,如果是陳舊讀取就記錄「陳舊」以及隱藏的最新值。當 agents 的算法因陳舊讀取失敗時,仿真環境能精確再現場景,解釋「你的算法失敗了,因為它基於陳舊世界觀做決策」。這種因果關係可見性讓 agents 有效調試分布式算法。

通過這方法,agents 成功在 NatSIO 上設計並實現了 Resonate。agents 先在仿真中建造概念驗證並通過快速測試驗證,然後推導具體規範,最後生成生產實現。整個過程中人類仍參與,但 agents 是驅動力。這體現了核心哲學:「提示詞就是平台,規範就是產品」。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。