Context: Proactive Goal-Directed Intelligence Architecture

🔑 增強重點摘要

•Context 透過聲明式佈線和結構化互動來協調其沙盒程式，這是一種超越簡單程式執行的設計方法，旨在實現更精確和可控的代理行為。
•該架構包含加密執行雜湊、M-of-N 審計員治理以及在密封飛地內建構的「僅提議」行動層，確保了高度的安全性、可審計性和受控的寫入操作，以防止未經授權的行為。
•主動式代理旨在解決傳統被動式 AI 的「最後一哩路問題」（AI 找到答案但人類仍需執行實際工作）和「切換稅」（使用者在不同應用程式間的持續切換），透過自主執行任務來顯著提高效率。
•上下文工程被視為一種架構轉變，將 AI 從僅回答問題的模型轉變為能夠理解情境並同化上下文的系統，而非僅僅攝取數據，從而實現更具情境意識的決策。

🛠️ 技術深入

KV-cache 重用優化：Context 利用寫入時上下文組裝實現近 100% 的 KV-cache 重用。這項技術涉及共享和重用大型語言模型 (LLM) 注意力組件的鍵值 (KV) 快取數據，特別是當使用者提出相似問題或提示具有共同前綴時（例如，聊天機器人對話歷史、系統提示、RAG 區塊）。這種優化可以顯著減少 GPU 的重複計算，因為它避免了對相同張量的重新計算，從而降低了推理成本和延遲。
沙盒智慧程式：AI 沙盒是一個受控、隔離的環境，專為安全執行 AI 生成的程式碼而設計，將其視為不可信。這有助於防止 AI 程式碼意外或惡意地存取敏感檔案、發出未經授權的網路請求或提升權限。 AI 沙盒與傳統沙盒的不同之處在於，它們通常具有短暫的執行時間，可能僅在幾秒或幾分鐘內執行單個程式碼片段。實作上，可以透過微型虛擬機隔離（如 Kata Containers、Cloud Hypervisor）和 gVisor 等技術來實現生產級的 AI 沙盒。
主動式目標導向代理：這些代理能夠感知其環境、根據觀察進行推理，並採取行動以實現預設目標。它們通常使用大型語言模型作為「大腦」來理解自然語言、分解複雜請求並決定調用哪些外部工具。這種轉變使 AI 從被動式工具變為嵌入工作流程中的主動式系統，能夠根據觸發器自主運行。其核心特徵包括自主性、反應性、主動性和社交能力，並能管理短期記憶（用於即時上下文）和長期記憶（用於學習模式），以及與外部工具和 API 整合。
形式化證明：文章指出，透過形式化證明證實了主動式代理在任務完成效率上優於被動式代理。該架構的設計者 Gregory Magarshak 曾發表多篇關於 AI 工作流程安全、KV 序列壓縮、程式語言理論和分散式共識的學術論文，這表明其理論基礎堅實。

🔮 前景展望AI analysis grounded in cited sources

AI 系統將從被動式工具轉變為企業工作流程中的主動式合作夥伴。

Contextual AI 和主動式代理旨在自主監控條件、做出決策並採取行動，無需持續的人工提示，這將從根本上改變企業的運作方式。

AI 代理的安全性與可審計性將成為關鍵的架構考量。

Magarshak Architecture 明確納入了加密執行雜湊、M-of-N 審計員治理和密封飛地內的「僅提議」行動層，這表明對自主代理的安全性和透明度有高度重視。

上下文工程將成為優化 LLM 性能和成本的關鍵領域。

Context 強調的 KV-cache 重用等技術直接解決了與大型上下文視窗相關的計算和記憶體成本，從而帶來顯著的效率提升。

⏳ 時間線

2026-05-18

Gregory Magarshak 在 arXiv 上發表論文《Context: Proactive Goal-Directed Intelligence via Composable Sandboxed Programs, Declarative Wiring, and Structured Interaction》，介紹 Magarshak Architecture 的智慧層 Context。

Context：主動式目標導向智慧架構

⚡ 30-Second TL;DR

關鍵要點

🧠 深度解析

🔑 增強重點摘要

🛠️ 技術深入

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線

📎 來源 (14)

👉相關動態

GM 透過圍繞 AI 代理重新設計工作流程，使合併請求數量成長三倍

全球首個具備 128K 上下文的 Agentic 擴散模型問世

Anthropic 發布 Claude Opus 5，專注於執行效率與成本優化