\n\nGitHub 老兵 Brian Douglas 创立 Paper Compute，通过开源工具 Tapes 和 StereOS 解决 AI 智能体基础设施缺失问题，为生产环境提供云原生级的控制力与可观测性。
译自：GitHub veteran Brian Douglas launches Paper Compute to fix AI agent infrastructure
作者：Paul Sawers
“每个人都在构建智能体，但构建其底层系统的人还不够多，”开源老兵 Brian Douglas 上个月在 LinkedIn 上宣布他的新公司时写道。
虽然这一主张很难量化衡量，但大多经得起推敲。企业已经在一定程度上构建并部署智能体，但背后的基础设施往往是临时拼凑的——部分是 SDK，部分是云端管道，部分是内部工具。组件都在，没错，但它们尚未整合成为一个连贯的系统。
而这正是 Brian Douglas 和他的首席技术官兼联合创始人 John McBride 通过 Paper Compute Company 试图解决的问题。这家初创公司正在构建 AI 智能体之下缺失的层级——并且完全基于开源基础。
“当前设置中缺少的是人们在各种不同情况下运行这些东西的信心，” Brian Douglas 告诉 The New Stack。“拥有适当的云原生工具来控制生产中的智能体和大语言模型（LLM）——这就是我们目前在市场上看到的巨大活力所在。三个月前我们还没看到这些。”
“拥有适当的云原生工具来控制生产中的智能体和大语言模型（LLM）——这就是我们目前在市场上看到的巨大活力所在。三个月前我们还没看到这些。”
虽然公司在 3 月正式揭幕，但 Brian Douglas 和 John McBride 已经通过一系列产品发布启动了进程。2 月份，他们开源了 Tapes，这是一个零侵入的可观测性层，可以在无需更改应用程序代码的情况下捕获并记录智能体活动。
该系统介于 AI 智能体及其推理提供商之间，捕获遥测数据。它包括一个用于拦截和记录流量的代理服务，一个用于查询会话、消息和元数据的 API 服务器，一个用于管理录制并运行搜索的 CLI 客户端，以及一个用于逐步追踪智能体活动的终端 UI。
Tapes
紧随其后的是 StereOS，这是一个经过加固的基于 Linux 的操作系统，旨在隔离的沙箱环境中运行 AI 智能体，让团队对这些系统在生产环境中的行为拥有更多控制权。
StereOS
其目标是解决 AI 智能体的一个核心问题：一旦它们在生产环境中运行，团队往往既缺乏对其行为的可见性，也缺乏对其操作范围的控制。
“Tapes 向你展示发生了什么 —— StereOS 则确保它不会超出应有的范围，” Brian Douglas 在公司 3 月份的发布博客文章中写道。
Paper Compute 创建了一个 Gmail 智能体演示来展示其工作原理，它使用在 StereOS 虚拟机内运行的 OpenClaw 智能体，在严格控制下对收件箱进行分选。它可以阅读邮件并进行分类，但不能删除或发送回复，也无法访问白名单以外的任何外部服务。
与模型的每次交互都会被 Tapes 捕获为完整且可回放的日志——提示词、响应和决策都存储在本地防篡改记录中。当会话结束时，环境被销毁，凭证被清除，但完整的执行历史记录仍可供检查。
开源遇上工程与 AI 基础设施
Brian Douglas 是开源界的熟面孔。在担任 GitHub 开发者倡导总监之后，他在 Linux 基金会旗下的云原生计算基金会（CNCF）领导生态系统和开发者体验工作，此前 Linux 基金会收购了 Open Sauced，这是他创立的开发者洞察平台，旨在帮助贡献者发现并参与开源项目。
与此同时，John McBride 此前曾在 Linux 基金会和 Open Sauced（担任首席 AI 工程师）与 Brian Douglas 合作，更早之前他曾在亚马逊云服务（AWS）担任工程师。
Paper Compute 团队最近还聘请了创始工程师 Matthew Yeazel，他在 AWS 工作多年，横跨 EC2、Amazon Linux 和专注于容器的操作系统 Bottlerocket。
Paper Compute 实际上正试图介于开发者工具和核心基础设施之间，其团队凭借构建和大规模运营系统的经验而形成。
这种开源、基础设施和系统工程经验的融合，反映了 Paper Compute 实际上想做的事情：处于开发者工具和核心基础设施之间，拥有一支由具备构建和运营大规模系统经验的人员组成的团队。
“我们知道生产级基础设施是什么样的——智能体理应享有同样的严谨性，” Brian Douglas 说道。
理解系统
随着越来越多的团队开始在生产环境中运行智能体，理解这些系统实际在做什么变成了一项挑战。数据确实存在，但通常是不完整的、难以访问的，或者是与构建智能体时使用的特定 SDK 或框架绑定的。
在许多情况下，检查智能体行为的唯一方法是通过平台本身提供的工具——例如 LangChain 及其配套的可观测性工具 LangSmith，它们可以捕获追踪、日志和执行路径，但历史上一直是在它们自己的生态系统内进行的。
Brian Douglas 举了一个简单的例子：当智能体失败时，目标不是事后重建发生了什么，而是已经有一个完整的记录——一个可以直接查询的记录。
“所以，你不需要想知道你是如何到达那里的，你只需与数据交互即可，”他说道。“没有 SDK，没有额外的代码——它就在后台运行。”
这指向了 Brian Douglas 看到的长期价值所在——不在于基础设施本身，而在于它所捕获的内容。他认为，智能体活动生成了一份系统如何运行以及决策如何制定的记录，这本身就变得非常有价值。
“价值实际上更多在于流经智能体的数据，”他说道。
虽然 Paper Compute 还处于早期阶段，但该公司已经开始勾勒围绕其开源项目的商业产品蓝图。
按算力付费：一场关于数据的博弈
从本质上讲，Paper Compute 不仅仅是在构建工具，还在努力建立一个在生产环境中运行和管理 AI 智能体的层——涵盖可观测性、执行以及最终的编排。
公司名称本身就反映了这种思路。“你最终会为算力付费（Pay-per compute），” Brian Douglas 说道。他指向了一种模型，即使用情况——以及流经这些系统的数据——成为平台盈利的核心。
这意味着在 Tapes 等工具捕获的遥测数据之上进行构建，将智能体对话转变为可重复使用的“技能”，并利用这些数据来优化模型的部署和运行。
平台的早期版本已经在内部进行测试，团队开始向潜在用户展示该系统。
长期来看，该公司的目标是那些需要对 AI 系统运行方式进行更严格控制的团队。
长期来看，该公司的目标是那些需要对 AI 系统运行方式进行更严格控制的团队——特别是在受监管或本地部署的环境中，安全性、合规性和可审计性至关重要。
就 Brian Douglas 而言，他将其与早期的一波基础设施浪潮进行了类比。“大约 13 年前，当云原生基础设施开始成形时，我们有了 Kubernetes，”他说道。“现在我们在 AI 工具领域看到了类似的浪潮。”
例如，Kubernetes 越来越多地被用于编排重 GPU 的 AI 工作负载，将其为扩展基于 CPU 的应用程序而建立的相同模型扩展到一种新型的计算密集型系统。
与此同时，像 OpenTelemetry 这样的开放标准正在演进，以捕获来自 LLM 和智能体系统的追踪、指标和日志，为理解这些系统在生产环境中的行为提供了一种更一致、供应商中立的方式。
Brian Douglas 认为，这可能会使生态系统达到类似的成熟点。“通过开源，我们将看到这些工具变得商品化，”他说道。“在接下来的六个月里，我认为我们将看到企业——银行、大公司——准备好规模化应用。”
“但这些工具仍然需要给他们提供在生产中运行智能体的信任，” Brian Douglas 补充道。
