Mnemosyne：AI工作流验证修复新框架，为智能体交易处理上“保险”

随着大语言模型、求解器和智能体团队越来越多地生成工作流动作、修复方案和计划，一个关键问题浮现：生成的动作可能在语法上正确，但实际上已过时、不可行、存在冲突，甚至可能破坏触发修复的证据。为此，研究团队在论文《Mnemosyne: Agentic Transaction Processing for Validating and Repairing AI-generated Workflows》中提出了Agentic Transaction Processing（ATP）事务模型。

ATP的核心思想是双重的：生成的提案不等于真理，且任何提案都无法预见所有意外情况。该模型将生成的动作视为不受信任的提案，只有在通过声明式、可执行的约束集C的确定性准入检查后，才能被提交执行。相对于约束集C，已提交状态的正确性不再依赖于提案层的能力、诚实度或学习水平，从而实现了生成层与执行层的权威分离。

研究团队在Mnemosyne运行时系统中实现了ATP。该系统采用仅追加的转换日志、有效状态投影、依赖安全的补偿机制和活跃的提交记录，并证明了相对于约束集C的四个安全属性：权威分离、串行等效生成准入、证据保留修复和义务包含。其本地化修复协议（LCRP）还提供了有界反应式修复保证。

实验显示，在九项证伪测试中，Mnemosyne可有效拒绝目标违规行为，同时仍能接纳有效工作，其投影与验证开销低于6%。本地化修复编辑的操作数量比全局重新计算少一个数量级。该系统已开源，为AI生成工作流的可靠部署提供了新工具。