PROV-AGENT：用于跟踪智能代理交互的统一来源记录.pdfVIP

PROV-AGENT：用于跟踪

智能代理交互的统一来源记录

RenanSouza,AmalGueroudji,StephenDeWitt,DanielRosendo,TirthankarGhosal,

RobertRoss,PrasannaBalaprakash,RafaelFerreiradaSilva

NationalCenterforComputationalSciences,OakRidgeNationalLab,OakRidge,TN,USA

MathematicsandComputerScienceDivision,ArgonneNationalLaboratory,Lemont,IL,USA

ComputationalSciencesandEngineeringDivision,OakRidgeNationalLab,OakRidge,TN,USA

ComputerScienceandMathematicsDivision,OakRidgeNationalLab,OakRidge,TN,USA

本摘要—基础模型，如大型语言模型（LLMs），越来越多地I.介绍

译被用作联邦和异构环境中复杂、大规模工作流中AI代理的核心

基础模型的集成，通常被称为大型“X”模型

中组件。在代理工作流中，自主代理计划任务，与人类和其他同行（LxMs），正迅速在科学和工业领域推进[1]。这些模

进行互动，并塑造科学结果。这使得透明度、可追溯性、可重复

1

v性和可靠性变得至关重要。然而，基于AI的代理可能会出现幻型在语言、视觉、时间序列和机器人任务方面表现出

6觉或错误推理，他们的决策可能会通过工作流传播错误，尤其是色，推动了基因组学、化学和制造领域的创新。这一转

6在一个代理的输出被另一个代理用作输入时。因此，细粒度的源变催生了代理工作流，自主代理在此过程中做出决策、

8

2数据对于连接代理决策、其端到端上下文以及下游影响是必不可规划任务并协调与人类和其他代理的合作。这些代理运

0少的。虽然源数据技术长期以来支持可重复性和工作流数据分

.行在异构计算平台的动态环境中，包括边缘设备、云系

8析，但它们无法捕捉和关联以代理为中心的元数据（提示、响应

0和决策）与其他工作流部分的关系。在这篇论文中，我们介绍了统和高性能计算（HPC）。与具有静态、确定性路径的

5

2PROV-AGENT，一个扩展W3CPROV并利用模型上下文传统工作流不同[2]，代理型工作流是非确定性的，由

:

v协议（MCP）将代理交互集成到端到端工作流源数据中的源数接近实时的数据、自适应决策和不断演变的交互塑造而

i

x据模型。我们的贡献包括：(1)专为代理工作流设计的源数据模成[3],[4]。它们通常表现出动态的循环行为，其中代理

r型，(2)近实时、开源系统用于捕获代理源数据，以及(3)涵盖

a输出影响后续决策或反馈环。

边缘计算、云计算和高性能计算环境的跨设施评估，展示对关键

尽管人工智能（AI）代理提供了自动化复杂过程的

源数据查询和代理可靠性分析的支持。

能力，但它们也为透明度、可重复性和可靠性带来了新

IndexTerms—工作流、代理工作流、来源、系谱、负责

的