4.4 KiB
4.4 KiB
title, created, updated, type, tags, source, url
| title | created | updated | type | tags | source | url | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Agents Want Filesystems：为什么文件系统形态的接口让 Agent 更高效 | 2026-07-04 | 2026-07-04 | article |
|
新智元 | https://mp.weixin.qq.com/s/VdjhAzjmdAkL-aHRGiEUHw |
Agents Want Filesystems：为什么文件系统形态的接口让 Agent 更高效
核心观点
NoKV 团队通过 100 次独立运行的 benchmark 证明：给 Agent 提供文件系统形态的 namespace 接口（而非原生 SQL），可减少 45% token 消耗、39% 成本，且正确率略高。
核心洞察：决定 Agent 效率的变量不只有模型和提示词，还包括 Agent 面对的操作界面（Interface/Surface）。
为什么文件系统语义对 LLM 友好
LLM 在训练中被反复暴露于 shell、Unix 工具、Git、日志排查等语料中，学到一套稳定模式：进入目录 → 列文件 → 搜关键词 → 打开局部内容 → 引用行号。
文件系统提供 progressive disclosure（progressive-disclosure）交互方式：
- 先低成本发现：
ls看有什么，stat看对象卡片，catalog看可查询字段 - 再按需读取：只有找到目标后才
read打开内容 - 搜索可限定范围：全局
grep发现 + 目录内grep提取证据 - 路径是稳定句柄：
/runs/abc/stdout.log既是名字也是地址
实验设计
- 数据：875 个 Yanex 训练 run，80.6 万行指标，包含元数据、参数、artifact、git 状态、stdout/stderr
- 模型：GPT-5.4-mini，100 次独立 stateless 运行
- 两种接口：
sqlite_raw_v1：原生 SQL + blob 读取 +grep_blobnokv_native_v1：NoKV namespace（ls/stat/catalog/find/aggregate/read/grep）
三类任务的结果
| 任务类型 | SQL Token | NoKV Token | 关键差异 |
|---|---|---|---|
| 简单结构化查询 | 4.8k | 9.3k | SQL 仍然更强 |
| 复合探索（扫参/溯源/分诊） | 127.4k | 53.3k | NoKV 2.39× 更低 |
| 总体 | — | — | -45% token, -39% cost |
SQL 在简单结构化聚合上更强；NoKV 在需要「先定位 cohort → 再查日志 → 再引用证据」的复合探索任务上大幅领先。
减少的不只是 token，也是「心智负担」
更深层次：NoKV 减少了 Agent 的内部 reasoning token——模型不需要在每轮工具调用中重建「数据在哪」的临时地图。
- attention-drifting：上下文塞进太多 schema 和无关日志时，模型容易被早期错误线索带偏
- pushdown-in-agent-interface：过滤、排序、limit、投影放进一次调用，减少对话轮数和上下文回灌
架构定位
不是「文件系统替代数据库」，而是两层架构：
- 底层：数据库、对象存储、API（可靠性、事务、持久化）
- 上层：元数据控制层（路径、版本、权限、索引 → Agent-friendly namespace）
NoKV（nokv）就是这层上层。
应用场景：artifact-heavy agentic 系统
任何 Agent 系统高度依赖大量文件、日志、报告、模型、checkpoint 等外部产物时，都会遇到这个问题：
- 实验追踪与观测
- 法律咨询（合同、判例、尽调材料）
- 数据分析（notebook、CSV、图表交叉引用）
- 研发 Agent（issue、PR、日志、CI 结果）
- 多 Agent 协作（共享中间产物、锁定版本、监听更新）
外部佐证
- Anthropic MCP code execution：工具呈现为 TypeScript 文件树，代表性负载从 150k token → 2k token
- OpenAI tool search：建议把延迟加载工具组织到 namespace 或 MCP server
- Letta memory benchmark：对话历史保存为文件的 Agent 在 LoCoMo 上取得有竞争力结果