我给 multi-agent 系统写了一层"社交记忆":谁靠谱、谁坑过你、凭什么这么说

从一个真实的翻车现场说起

如果你跑过 multi-agent 系统,大概率见过这一幕:planner 把任务委托给某个 worker agent,失败;下一轮,它又把任务委托给了同一个 worker。第五次。

不是模型不够聪明------是系统里没有任何地方记得前四次失败。每个会话开始, 所有 agent 都是陌生人。

学术界对 multi-agent 失败模式做过系统分析(MAST 失败分类),排前面的 inter-agent misalignment(智能体间失配)、验证缺失,本质上都是关系状态的失忆:信息一直都在,系统只是不记得"谁对谁做过什么"。

现有的 agent 记忆方案(Mem0 61k star、Zep、LangMem)都很优秀,但它们回答的是同一个问题:"我该记住什么事实?" 没有人回答:

这条记忆是关于谁的?
它允许谁看见?(私聊里存的 API key 被注入到群聊------这不是检索 bug, 是信任事故;hermes-agent 有 4 个 open issue 在吵这件事)
关系怎么随时间演化?(信任会衰减,坑过你两次的和十次交互前坑过你一次的,应该被区别记住)

所以我写了 kith (pip 包名 kith-ai,MIT,约 1000 行,stdlib+sqlite 零重依赖):事实记忆记"发生了什么",kith 记"这件事对关系意味着什么"。

三个原语

python 复制代码

import kith

store = kith.Store("sqlite:///team.db")
me = store.principal("agent:planner-7")

# Observation:append-only 的原始观察(交互/断言/情绪读数)
me.observe(subject="agent:coder-2", kind="interaction",
           payload={"promised": "fix by 5pm", "delivered": False},
           context="task:deploy-42")

# RelationshipView:派生的关系视图------信任、可靠性、情绪、能力
v = me.view("agent:coder-2")
if v.reliability < 0.4:
    plan.add_verification_step()   # 记住了,不再重蹈覆辙

# 每个数字都能自证:哪些观察、什么时候、为什么得出这个分
v.explain()

关键设计:关系状态是算出来的,不是存出来的 。trust 分数带时间衰减 (30 天半衰期)、负面事件权重加倍(损失厌恶是信任研究里复现最多的发现之一);嫌我的心理学模型太糙?derivers 全部是可插拔接口,换你自己的。我们不主张心理学效度,主张可审计性。

泄漏路径测试:从一次被创始人 review 的教训说起

kith 的第二个卖点是 Scope(可见性契约) 。这里有个故事:我之前给 hermes-agent(21.9 万 star)贡献 scoped memory,第一版只在系统提示注入层做了过滤,创始人 Teknium review 时指出:错误响应会把整个存储作为 current_entries 返回------换句话说,过滤了正门,密钥从错误消息的后门泄漏了。

这个教训在 kith 里升级成了第一设计原则:访问边界是契约,不是过滤器 。所有读路径(检索、导出、视图、错误消息、连 repr 都算)走同一个可见性闸门,测试套件拿一个哨兵密钥字符串枚举每一个公开表面,包括两个容易被忽略的通道:

派生值也是泄漏通道:如果 Bob 对 Carol 的信任分被 Alice 的隐藏观察拉低了,分数本身就泄漏了隐藏数据的存在
存在性预言机:查询一个"从没见过的人"和一个"有隐藏记录的人",返回的视图逐字节一致------你无法用 API 探测出"有人偷偷记了你什么"

可复现的效果(无 LLM 调用,带种子,秒级跑完)

委托实验:planner 给 20 个隐藏可靠性各异的 worker 派活,唯一变量是有没有记忆:

scss 复制代码

policy                        failures  repeat-fail  retries
------------------------------------------------------------
baseline (无记忆)                100.6    83.1±32.9    100.6
kith (关系记忆)                   25.2    15.3±9.5      25.2

重复委托失败 ↓82%(50 workers 规模时 ↓79%)

情绪传染实验 :16 个 agent 的小世界网络里埋一个"毒性源",每次交互接收方记一条 affect observation。不接触任何人的内部状态,仅凭观察日志, kith 的派生 sentiment 把毒性源定位在群体观感排名的最底端(5/5 种子正确)。对做群体动力学研究的同学:observation log 本身就是纵向数据集。

三个 adapter,即插即用

LangGraph :observe_node 包装任意节点,结果自动变成关系记忆; KithSupervisor 按 track record 选 worker(对着真实 StateGraph 集成测试,顺便替你踩了"节点名不能含冒号"的坑)
hermes-agent :作为 MemoryProvider 插件运行,on_delegation 钩子让 subagent 委托结果零成本积累
A2A 协议 :终态 Task 自动映射成 outcome;AgentCard 的 skills 保持 "自称"状态,直到真实任务证实------名片吹的牛不算实绩

一个贯穿始终的安全原则

模型永远不能自己决定"我是谁"。所有 principal 身份由运行时解析绑定, 模型面对的工具只有 current/peer 这样的解析令牌------它无法冒充别人写观察,也无法猜一个 chat_id 去越权读取。(这条同样来自那次 hermes review:第一版让模型自己构造 platform:chat_id,而它根本拿不到 ID。)

链接

GitHub: github.com/theNamek/ki... (设计文档、失败模式、非目标都在 docs/DESIGN.md)
pip install kith-ai
两个 demo 都在 examples/,一条命令复现

我是在读博士生，最近在研究方向 multi-agent LLM 系统的群体动力学， kith 是研究的 systems 底座开源出来的版本。欢迎 issue/PR，也欢迎在评论区拍砖------尤其是关于 trust 标量会不会诱导过度信任、scope 存成文本前缀还是独立列这两个我自己也没完全想清楚的问题。