【第605期】RUBICON：一种数据中心化的代理式AI架构

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com今天的主题是：An Alternate Agentic AI Architecture (It's About the Data)Summary过去几年里，“Agentic AI（智能体 AI）”领域的主流叙事一直认为：大型语言模型应当通过动态选择工具、发起子查询并综合结果来协调信息访问。我们认为，这种方法存在根本性误导：企业真正面临的并不是“推理能力不足”，而是“数据集成问题”。企业本质上是以数据为中心的。关键数据分散在异构系统之中（例如数据库、文档和外部服务），每个系统都拥有各自的查询语言、模式（schema）、访问控制机制以及性能约束。相比之下，当前基于 LLM 的架构主要针对非结构化文本推理进行了优化，并将企业系统视为语料库或由黑盒组件调用的外部工具。这导致了一个根本性的错配：一边是富含 schema、受治理约束、对性能敏感的数据系统；另一边则是以文本为中心、具有概率性质的 LLM 架构。其结果是透明性有限、正确性保证薄弱，以及性能表现不可预测。在本文中，我们提出了 RUBICON，一种基于数据管理原则的替代性架构。我们不再将系统编排委托给不透明的智能体，而是引入 AQL（Agentic Query Language，智能体查询语言）：一种小型、显式的查询代数，由 Find、From 和 Where 三个核心操作构成，并通过面向不同数据源的 wrapper 执行。这些 wrapper 负责强制实施访问控制、schema 对齐以及结果标准化。所有中间结果都可见且可审计。复杂问题会被分解为结构化、可追踪的查询计划，而不是隐藏在 LLM 调用链中的黑盒过程。我们的核心论点很简单：企业 AI 不是一个 Prompt Engineering（提示词工程）问题，而是一个系统工程问题。通过重新引入显式查询结构、基于 wrapper 的中介机制以及基于成本的优化，我们能够在保留智能体搜索广度的同时，维持企业环境所需的可追踪性、确定性与可信性。原文链接：https://arxiv.org/abs/2604.21413前往小宇宙评论区与主播互动