agrepl：为 AI Agent 提供确定性重放的 CLI 框架

AI Agent 系统将大语言模型与外部工具、API 串联后，天然具备不确定性：LLM 采样波动、远端 API 状态、CDN 响应头差异以及运行环境噪声，使得任何一次执行都无法被忠实复现。现有可观测平台只能记录日志，无法在隔离环境中「重放」一次历史运行。arXiv 论文《Deterministic Replay for AI Agent Systems》针对这一痛点，提出了面向开发者的命令行框架 agrepl。

核心思路：传输层 MITM 代理

agrepl 在传输层以「中间人」代理拦截 Agent 与外部世界的全部交互，把它们序列化为结构化的执行轨迹；重放阶段则在零出网、完全隔离的环境中按轨迹回放。作者同时给出了 Agent 执行模型的形式化定义、请求匹配函数 K(s)，并证明了确定性不变式（determinism invariant）。

噪声感知的 Diff 算法

Agent 重放的现实难题之一，是 HTTP 头在不同时间会出现非语义性波动（例如时间戳、随机 nonce）。agrepl 引入噪声感知 diff，把头部差异划分为「信号」与「噪声」两档，噪声类差异不计入回放失败判定，从而避免因无关抖动导致的误报。

实证结果

论文在五类工作负载、共 n = 250 次重放实例上进行了评测，关键指标如下：

• 重放保真度 F = 1.0，即每次重放均与原始执行语义一致；
• 单步延迟相对原始执行中位数下降 98.3%；
• 重放环境完全离线（zero outbound network access），避免外部状态漂移。

实现与开源

agrepl 使用 Go 实现，发布为单一静态二进制，开源协议为 MIT。这降低了工程团队接入门槛，也方便嵌入现有 CI 与 Agent 调试流水线。

整体来看，这是一篇偏工程与可复现性的研究工作，对正在搭建复杂 Agent 系统、需要排障与回归测试的开发者具备直接参考价值；不过它属于基础设施层面的工具，并未触及模型能力或行业格局。