Web、CLI、SDK、企业应用和边缘执行器不各自实现一套智能体：它们共享同一份会话、运行、Work、上下文与审计语义，只在能力边界上不同。
共享运行骨干
云端能力
会话、记忆、任务、报告与受控的外部访问
云端服务边缘执行器
本地文件、命令行、Git、浏览器与私有网络
用户设备 / 工作站MCP 能力
企业知识库、数据库、工单与审批等业务系统
MCP 服务环境沙箱执行器
需要隔离、限额或特定环境的计算任务
沙箱运行时客户端是不同的入口，能力提供者是不同的手 —— 思考、状态与恢复始终在同一个骨干里。
持续性
任务不依赖某个页面或某个进程，可以暂停、恢复，并跨设备继续。
可控性
能力、权限、网络、数据与副作用边界明确，可以精确阻止某一个动作，而不必终止整个任务。
可解释性
不只给出最终答案，还能说明用了哪些上下文、调用了哪些工具、经历了哪些失败，以及为什么选择这条路线。
同一个问题，可以靠经验反复调提示词，也可以当成一个能被优化、能被度量的系统问题。Astra 选了后者。
Peng Xu, Zuyu Zhang, Yuze Sun, Feng Tian, Long Wang, Chen Zhang
长任务智能体的每一次模型调用都要回答同一个问题：这一次把什么放进上下文、按什么顺序放、历史什么时候压缩。而这一切发生在两个硬约束之下——固定的上下文窗口预算，以及一个对字节敏感的 prompt cache：多改动一个字节，缓存就可能整段失效。论文把数据库查询执行的思路搬了过来：数据源像表一样被编目，装配过程拆成五个阶段，优化是确定性的，而不是让模型临场决定。
在 SWE-bench Pro 的 Qutebrowser 子集上，与 append-only 的上下文拼接方式对比。
阅读论文这是智能体平台与普通聊天接口的分界线。
一次问答通常只需要一次模型调用。但真实工作有连续性：分析代码、排查故障、维护工单、执行部署、制作报告，都需要多个步骤和多种工具。任务一变长，问题就来了——一次 HTTP 请求覆盖不了完整执行时间，界面断开后任务还要不要继续，工具失败该重试还是换路，用户的确认怎么回到原来的任务，中间证据怎么被下一轮可靠使用。Astra 把这些状态显式化、持久化，让它们成为运行时的一部分，而不是散落在 UI、脚本和提示词里的隐性状态。
“长任务需要的不是更聪明的提示词，而是一个显式、可持久、可恢复的运行时。”
Work 与任务图让长期目标可见：哪些完成了、哪些在执行、哪些在等待，用户随时知道智能体在做什么。
每一步的产物与证据都被保留，下一轮可以可靠引用，而不是靠模型把上下文重新记一遍。
运行在关键节点写检查点。失败、等待或断线之后，从上次的位置继续，而不是从头再来。
运行是一次可控制的执行：可以取消、可以暂停、可以在条件满足后继续，边界清晰。
需要人确认时进入明确等待；用户的输入和审批会回到原来的任务里，而不是开一段新对话。
连接断开后任务仍在后台推进，最终给出结果或失败原因，并保留可追溯的依据与下一步。
云端适合承载共享状态、模型调用与任务编排；但用户的文件、代码、浏览器登录态和私有网络，通常不该全部上传云端。边缘执行器让智能体在不牺牲本地数据边界的前提下，直接操作你的工作区。
云端运行骨干
共享事实与协调
边缘执行器
在授权边界内动手
边缘执行器不维护第二套智能体循环。云端持有会话、运行与 Work 的控制事实，Edge 只在已绑定、已授权的边界内执行本地工作。
断线时会发生什么
副作用不该只看工具名，而要看这次调用实际改变什么、影响谁、能否回滚、是否跨越信任边界。运行时据此决定：直接执行、需要确认、只能在规划模式提建议，还是必须阻止。
| 类别 | 示例 | 常见策略 |
|---|---|---|
| 只读 | 读取文件、查看状态、查询报告 | 能力提供者与用户权限允许即可 |
| 本地修改 | 写文件、运行测试、修改 Git | 需要本地绑定与相应批准 |
| 外部读取 | 访问网页、调用业务 API | 网络与数据政策允许 |
| 外部修改 | 发工单、发布、修改数据库 | 显式审批或更高信任级别 |
| 高风险 | 删除、凭据外泄、危险网络操作 | 默认拒绝或强审批 |
规划模式：先想清楚，再动手
规划模式让智能体先理解问题、阅读上下文、拆解步骤并形成方案，同时默认阻止写文件、改代码、发外部消息等副作用。它是执行策略的变化，不是第二个智能体。
Framework 给你零件，Runtime 给你保证。
| 维度 | Framework (LangChain / CrewAI) | Coding Assistant (Cursor / Claude Code) | Astra Agentic Runtime |
|---|---|---|---|
| 形态 | 一堆库，自己搭 | 单点工具，本地运行 | 托管运行环境 + 基础设施保证 |
| 你需要写什么 | 从 0 拼接所有组件 | 用别人做好的产品 | 只写 system prompt + 选技能 |
| 决策可审计 | 无 | 无 | 每个决策绑定数据快照 |
| 记忆管理 | RAG 外挂 | 无 | 5 层认知架构，自治理 |
| 生产实验 | 直接在线上赌 | 不适用 | 克隆生产库做零风险回归 |
| 成本与信任 | 各组件各算账 | 黑盒 | 统一成本控制 + 置信度信号 |
“JVM 之于 Java，Astra 之于 Agent。”
Agent 开发者只写 prompt 和技能，其他交给运行时。
Edge 跑工具，Cloud 管 LLM 和状态，MatrixOne 做增强服务。
新增一个业务 Agent = 定义 system_prompt + 选择技能 + 选择模型。平台代码零改动。
三步看懂 Astra 的运行时保证。
沿因果链读取历史事件 → 混合检索召回记忆 → 加载技能定义 → 按任务类型做 Token 预算分配。每一个 token 都要挣来它的位置。
LLM 调用前先异步写入上下文快照，再发起流式调用；模型、参数、输入全部定格，供后续审计与回放。
幻觉防火墙逐条验证 LLM 声明 → 决策落到审计日志 → 隐式反馈异步回流 → 通过回归闸门后驱动下一轮 prompt 与技能演进。
每一步都写入事件流与快照——三个月后再问「当时为什么这么做」也能秒级还原。
从面向业务的智能助手，到平台内部的守护 Agent。
客服 Agent 每一句回复都能追溯到当时引用的产品文档版本。知识更新后，被影响的历史问答自动进入质检复审，不会拿过期信息误导用户。
Agent 基于客户历史、合同库与合规规则生成建议；每条建议携带置信度，人工复核只关注低置信度段落，让审阅效率翻倍又不失控。
业务人员用自然语言提问，Agent 在生产库的零拷贝克隆上跑分析，既能跑重查询又不影响线上；结果绑定数据快照，复盘时一键还原当时的数据状态。
对用户分群、投放策略做方案建议时，Agent 在沙箱里并行跑 4 种策略，基于历史数据算出预期收益再推荐最优解——决策更有底，事后可复盘。
每条建议绑定当时的代码快照与仓库状态。三个月后回看某个历史建议，仍能完整重建当时的代码上下文，彻底告别"AI 说过什么但无法复现"。
作为 System Agent 自动触发：流水线失败 → Agent 拉取上下文 → 在克隆环境复现 → 给出修复方案。所有诊断步骤入库，夜间 on-call 也有据可查。
Rust-first 高性能内核，MatrixOne 作平台状态存储。
通过企业能力知识库与 RFQ 解析，Agent 逐条判断合规、不合规与存疑项，引用来源证据并将结果回填至原始 Excel 模板。
全球百亿级跨国企业的法务团队要处理海量跨境合同，人工审核周期长、风险点难追溯、标准难统一。安利基于 MOI 构建统一法务知识大脑，合同进入后秒级高亮风险条款、缺失条款与定义不一致。
行业扫描、标的识别与投后跟踪长期依赖人工，内外部数据割裂。基金基于 MOI 构建 AI 投资情报系统，多源数据自动采集后结构化，链接成产业链、公司与技术知识图谱，由大模型生成情报报告与预警。
学生不知道读什么、怎么读，家长看不到进展，老师无力逐个跟进。腾讯在 MOI 上构建 AI 阅读伴读，用多智能体架构把一次阅读拆成个性化路径、互动问答、理解检测与知识延展。
MOI 将采购材料解析、标的物确认、内外部寻源、供应商推荐、价格分析与报告导出串成一条完整流程，为采购人员提供有来源依据的决策支持。
新能源制造龙头企业基于 MatrixOne Intelligence 构建 AI 数据平台，实现标书制作智能体的全流程自动化，投标决策效率提升 40%。