Slate 架构设计分析
Related topics: [[agent-architecture]], [[memory-system]], [[rlm-architecture]]
概述
Slate 是 Random Labs 提出的一种新型 Agent 架构，旨在超越 ReAct 和 RLM（递归语言模型）。该架构通过基于线程的片段记忆系统（Thread-based Episodic Memory）同时解决了现代 LLM Agent面临的三大核心问题：长时序任务执行、策略与战术平衡、以及工作记忆管理。
项目地址: https://github.com/randomlabs-ai/slate 官方文档: https://docs.randomlabs.ai
1. 核心挑战
1.1 长时序任务
长时序任务是路径依赖的（path-dependent），即完成任务所需的步骤数量超过了最小 harness 能处理的范围。Agent 需要具备：
- 充足的工作记忆 - 模型能在正确的时间关注正确的上下文
- 策略与战术的平衡 - 既能制定良好的计划，又能正确执行
- 整合新信息的能力 - 在执行过程中整合发现的新信息，而不丢失整体目标
1.2 工作记忆与 "Dumb Zone"
模型无法在整个上下文窗口中均匀地分配注意力。随着上下文长度增长，模型关注信息的能力会退化。可用的部分（即退化区域之前的部分）就是工作记忆。
Dex Horthy 创造了 "Dumb Zone" 这一术语来描述上下文窗口中检索质量下降的部分。
┌─────────────────────────────────────────────────────────┐
│ Context Window │
├─────────────────────┬───────────────────────────────────┤
│ Working Memory │ Dumb Zone │
│ (有效注意力区域) │ (注意力退化区域) │
└─────────────────────┴───────────────────────────────────┘
研究表明，即使在简单任务上，四个前沿模型（Claude Sonnet 4、GPT-4.1、Qwen3-32B、Gemini 2.5）的性能都随着输入长度增长而非均匀地退化。
1.3 策略与战术
- 策略（Strategy）: 基于知识的开放性规划，引导系统走向目标
- 战术（Tactics）: 学到的、局部的动作序列，帮助实质性地朝目标推进
这个区别与 RL 在围棋和象棋中的历史解决方式惊人地相似：
- Stockfish: 暴力搜索遍历整个走法树（基于战术的搜索）
- AlphaZero: 自我对弈学习哪些位置在战略上重要（价值网络 + 策略网络）
AlphaZero 的研究揭示了一个重要发现：战术概念（子力价值）最先学习，战略概念（王的安全性、威胁、机动性）随后出现。它们在网络的不同层中分离地出现。
2. 现有方案的局限性
| 方案 | 问题 |
|---|---|
| Compaction（压缩） | 本质上是有损压缩，可能不可预测地丢失重要信息 |
| Subagents（子代理） | 上下文隔离，但信息传递仅限于返回一条响应消息 |
| Markdown Planning | 计划会过时；三种失败模式：计划不详细、执行不彻底、忘记更新计划 |
| Task Trees（任务树） | 刚性结构，适应性差，表达性低 |
| RLM（递归语言模型） | 缺乏中间反馈，像在迷宫中盲目猜测 N 步 |
| Devin/Manus/Altera | 压缩边界存在丢失关键 状态的风险 |
| Claude Code/Codex | 同步依赖消息传递，能力受限于模型训练 |
3. Slate 架构
3.1 核心概念：Thread（线程）
Thread 是 Slate 的核心原语：
- Orchestrator（编排器）: 中央调度 Agent，使用高度表达的界面（DSL）将动作委托给工作线程
- Worker Thread（工作线程）: 执行单个动作，完成后暂停并将控制权交还给主线程
- Episode（片段）: 线程完成动作后返回的压缩表示，包含该动作序列的步骤历史
┌─────────────────────────────────────────────────────────────┐
│ Orchestrator (主线程) │
│ (LLM 作为操作系统内核) │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Thread 1 │ │ Thread 2 │ │ Thread 3 │ ← 并行执行 │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ Episode1 │ │ Episode2 │ │ Episode3 │ ← 压缩返回 │
│ └──── ┬─────┘ └────┬─────┘ └────┬─────┘ │
│ └──────────────┴──────────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────┐ │
│ │ Episode Composition │ ← 片段可组合 │
│ └─────────────────────┘ │
└─────────────────────────────────────────────────────────────┘
3.2 Thread vs Subagent
| 特性 | Subagent | Thread |
|---|---|---|
| 生命周期 | 持久化 | 单次动作 |
| 通信方式 | 消息传递 | 显式共享上下文 |
| 上下文传递 | 隔离 | 通过 Episode 传递 |
| 执行模式 | 可能是异步 | 同步完成 |
3.3 片段记忆（Episodic Memory）
Episode 是线程完成动作时采取的步骤的压缩表示：
- 不是完整的战术轨迹，而是只保留重要结果
- 线程不与主线程进行来回的消息传递
- 执行完成后直接返回 Episode
- 这种内置的完成边界使压缩变得自然
Episode 的可组合性：
- 一个 Thread 可以用另一个 Thread 的 Episode 作为输入
- 继承有用的结论和工作历史，而不继承完整上下文
3.4 Thread Weaving（线程编织）
"编排器分派，线程执行，片段组合"
核心机制：
- 编排器通过引用使用线程
- 动作在线程内逐步执行（每步都有中间反馈）
- 线程范围有界，系统自然与当前计划同步
- 线程是 LLM 驱动的，可以对意外环境状态做出反应
4. 与 OS 类比
Slate 的架构直接映射到 Karpathy 提出的 LLM OS 框架：
| LLM OS 概念 | Slate 实现 |
|---|---|
| Kernel（内核） | Orchestrator（编排层） |
| Process（进程） | Thread（线程） |
| RAM（内存） | Context Window（上下文窗口） |
| Process Return Values | Episode（片段） |
| Filesystem, Terminal | Peripherals（外设） |
"Slate 的片段架构直接回答了这个问题：与其让 RAM 填充直到进程崩溃，每个线程返回都是一个自然的机会来决定保留什么、压缩什么、丢弃什么。"
5. Agent 架构对比
| 特性 | ReAct | Markdown Plan | Task Trees | RLM | Devin/Manus | Claude Code | Slate |
|---|---|---|---|---|---|---|---|
| 规划方式 | 隐式 | 文件 | 显式 | REPL | 规划代理 | Plan 模式 | 隐式 |
| 分解方式 | 无 | 无 | 直接树 | REPL 函数 | 任务型 | 子代理 | 隐式 |
| 同步方式 | 单线程 | 单线程 | 门控步骤 | REPL 返回 | 压缩返回 | 消息传递 | 片段 |
| 中间反馈 | 每步 | 每 步 | 任务失败时 | 执行时 | 压缩后 | 消息传递 | 每片段 |
| 上下文隔离 | N/A | N/A | 每子任务 | 每子调用 | 子代理 | 子代理 | 每线程 |
| 压缩方式 | N/A | N/A | 任务型 | REPL 切片 | 子代理压缩 | 压缩 | 片段压缩 |
| 并行执行 | N/A | N/A | N/A | REPL 内 | 仅 Altera | 原生 | 原生 |
| 表达性 | 高 | 高 | 低 | 高 | 中 | 中 | 高 |
| 适应性 | 是 | 是(若更新计划) | 否 | 是 | 是 | 有限 | 是 |
6. 关键洞察
6.1 长时序任务的瓶颈
"长时序 Agent 任务的真正瓶颈是上下文管理，而不是模型智能。模型已经有能力解决比当前成功解决的更多任务——这是知识过剩（Knowledge Overhang）。差距是系统问题，不是能力问题。"
6.2 知识过剩
模型的潜在知 识覆盖了任务空间中的广泛轨迹，但直接的单步采样只能访问狭窄区域。规划、思维链和脚手架扩展了采样区域。
6.3 有趣的观察
- 大规模并行执行：真实的软件任务自然分解为并行线程工作流，编排器可以同时分派多个线程
- 跨模型组合：在相同任务中使用 Sonnet 和 Codex 效果良好，片段边界作为模型之间的清晰交接
7. 技术栈
| 组件 | 技术 |
|---|---|
| 核心接口 | DSL（领域特定语言） |
| 包管理 | npm |
| 安装 | npm i -g @randomlabs/slate |