为什么你的 AI Agent 框架基本上是一个 Hashmap（以及我如何用 Rust Swarm Math 修复它）

Source: Dev.to

演示： 1,000 个代理， 60 FPS，零 LLM 调用

我们并不是仅仅在屏幕上移动点。这个群体中的每个代理都是一个自我修复、学习的单元，采用时序差分强化学习（TD‑RL）和受生物启发的记忆衰减机制驱动。

8 个未解决的问题

我们在八项定义真实智能的测试中，将 Ebbforge 与标准的 LLM‑中心架构进行比较。

1. 智能 vs. 哈希表挑战

目标： 捕获在序列中添加“填充”以规避检测的攻击者。

• 标准 RAG/LLM： 未能识别模式（关键的假阴性）。
• Ebbforge： 使用最长公共子序列（LCS）数学识别危险结构，即使有噪声。结果： 被拦截。

2. 土拨鼠日测试

目标： 从一次失败中学习，永不重复。

• 大多数代理： 循环并连续失败九次。
• Ebbforge： 一次失败即可创建持久的安全模式。结果： 随后 9/9 次尝试全部被拦截。

3. 连锁故障恢复

目标： 在飞行中杀死 30 % 的代理，观察群体是否存活。

• 标准系统： 状态损坏或崩溃。
• Ebbforge： 承受 300 次并发硬杀并自我修复。结果： 维持 70 % 的完成率。

4. 有机阶层出现

目标： 让行为专长自然出现，而无需硬编码规则。

• 标准系统： 需要“专门提示”。
• Ebbforge： 从相同的代理开始；在 500 个 tick 后，它们自然分化为“经纪人”“囤积者”和“中立者”，仅受物理和奖励压力驱动。

(其余四个基准可在代码库中查看。)

为什么选择 Rust？

要处理 1000 万代理，不能依赖 Python 的 GIL 或 $0.01‑per‑token 的 API 调用。Ebbforge 利用了：

• AVX2 SIMD 用于物理计算
• Rayon 用于网格划分的并行处理
• Zero‑Copy Memory 用于代理间通信

一目了然 (TL;DR)

亲自尝试

项目已在 GitHub 上以预编译二进制形式发布。你可以在任意 Linux x86_64 机器上本地运行玻璃拟态演示。

GitHub: https://github.com/yourusername/ebbforge

我期待 Rust 与 AI 研究社区的反馈。如果你曾觉得代理框架太慢或“作假”，Ebbforge 正是为你而生。

P.S. 我们刚在 Hacker News 上发布——也去看看那里的讨论吧。