OpenRath: Сеансо-центрированное состояние выполнения для агентных систем

Аннотация

Современные агентные системы часто страдают от фрагментированного состояния выполнения: транскрипты, эффекты инструментов, события памяти, размещение рабочей области, происхождение ветвей и доказательства воспроизведения записываются отдельно, что затрудняет их проверку или воспроизведение. OpenRath решает эту проблему с помощью модели программирования, подобной PyTorch, для многоагентных систем с несколькими сессиями. Аналогия касается роли центральной абстракции времени выполнения как первостепенного элемента, а не тензорных вычислений. Её ключевой абстракцией является Session — значение времени выполнения, передаваемое между агентами и рабочими процессами. Session может быть разветвлена, проверена, воспроизведена, осведомлена о бэкенде и компонуема. Она записывает фрагменты беседы, размещение песочницы, метаданные происхождения, использование токенов, ожидающие работы и доказательства инструментов, а также определяет, где взаимодействия с памятью входят в запись выполнения. Поскольку это состояние переносится тем же значением, которое используется при выполнении программы, ветвление, слияние и воспроизведение становятся явными операциями выполнения, а не состояниями, восстановленными из внешних следов. OpenRath также определяет Sandbox, Tool, Agent, Memory, Workflow и Selector, причём Selector превращает поток управления в решения, маршрутизируемые во время выполнения. В данном отчёте представлены модель программирования, архитектура, проверенные этапы и протокол доказательств. Утверждения ограничиваются контролируемыми свойствами выполнения, тогда как широкие количественные сравнения, качество живого провайдера, доступность опционального бэкенда и качество памяти оставляются для последующей оценки. Центральный тезис заключается в том, что Session предоставляет агентным системам первостепенное значение времени выполнения для аудируемой композиции.

English

Modern agent systems often suffer from fragmented runtime state: transcripts, tool effects, memory events, workspace placement, branch provenance, and replay evidence are recorded separately and become difficult to inspect or reproduce. OpenRath addresses this issue with a PyTorch-like programming model for multi-agent, multi-session systems. The analogy concerns the role of a central first-class runtime abstraction, not tensor computation. Its core abstraction is Session, the runtime value passed between agents and workflows. A Session is branchable, inspectable, replayable, backend-aware, and composable. It records conversation chunks, sandbox placement, lineage metadata, token usage, pending work, and tool evidence, while defining where memory interactions enter the runtime record. Since this state is carried by the same value used in program execution, fork, merge, and replay become explicit runtime operations rather than states reconstructed from external traces. OpenRath further defines Sandbox, Tool, Agent, Memory, Workflow, and Selector, with Selector turning control flow into runtime-routed decisions. This report presents the programming model, architecture, audited milestones, and evidence protocol. Its claims are limited to controlled runtime properties, while broad quantitative comparisons, live-provider quality, optional-backend availability, and memory quality are left for follow-on evaluation. The central thesis is that Session provides agent systems with a first-class runtime value for auditable composition.