Google AX 控制面拆解：分布式 Agent 如何把断点恢复、审计策略和执行调度收进同一条链路

很多 Agent 框架都在解决“怎么把模型用起来”。真到线上，麻烦往往不在提示词，也不只在工具编排，而是在另一层：任务跑得久了，状态怎么留；执行跨进程、跨节点以后，谁来兜住调度和故障；一旦 Agent 能碰 Bash、MCP 和外部 API，权限、审计、限流又该放在哪里。

Google AX 这套东西，价值不在于再发明一个 Agent 框架。它更像是在现有框架、模型和工具之上，补了一层真正能拿去跑生产任务的 ​Agent Runtime + Execution Control Plane​。你可以把它理解成：上面接各种 Agent 形态，下面落到真实执行环境，中间用一条 可恢复、可审计、可扩展 的执行链把事情串起来。

AX 放在技术栈的哪个位置

先看它在技术栈里的位置。AX 既不是模型层，也不是某个具体框架的替代品。 它插在 Agent 应用和底层基础设施中间，负责把上层的任务意图翻译成一套可追踪的执行过程。

图：AX 位于 Agent 应用与底层执行基础设施之间，负责托住执行过程。

这层位置很关键。它意味着 ​AX 对上层 Agent 实现基本保持中立，对下层模型也不强绑定​。你可以继续用 ADK、LangGraph，甚至是自己的 Harness；也可以换模型，而不必动到 AX 的核心职责。换句话说，它想管的是 ​执行​，不是 ​思考​。

真正的核心不是 Agent，而是 Controller

系统里最重要的组件不是某个 Planner Agent，而是 ​Controller​。因为一旦把 Agent 执行当成生产系统问题，第一优先级就不再是“会不会推理”，而是“谁在协调、记账、路由和兜底”。

图：Controller 通过 Executor、Registry 和 Event Log 统一托管执行链。

这里有三个角色值得单拎出来：

• Executor 决定这次任务该往哪里跑，什么时候继续，什么时候停。
• Registry 把可用的 Agent、Tool、Skill 暴露成一张可查询的能力表，运行时不用写死依赖。
• Event Log 不是普通日志，它记录的是 ​执行进度本身​，所以它参与恢复，不只是排错。

这也是 AX 和不少“框架式 Agent 编排器”的分水岭。后者更关心节点之间怎么流转，AX 更关心 ​流转发生以后，系统能不能把整个过程可靠地托住​。

一次任务真正怎么跑完

AX 并不是把所有事塞给单个 Agent，而是把请求拆成几段：​入口路由、Planner 分析、远程 Agent 执行、Tool 调用、状态回写​。中间哪一段出问题，Controller 都能知道当前停在什么位置。

图：一次任务会经过路由、规划、远程执行、工具调用和状态回写。

这条链路里最容易被低估的是 Resumable Stream。如果只是普通 RPC，连接断了就断了，调用方只能重试。AX 把执行过程做成 ​可恢复的流​，等于承认一件很现实的事：长任务在真实环境里就是会被打断，系统应该把“中断”当成常态，而不是异常。

分布式不是卖点，是隔离故障域的手段

很多人一看到“分布式运行时”，会先想到扩容。AX 这套设计更实在，它首先解决的是 ​隔离​。Controller、Skills、Tools、Agents 都可以独立部署在不同进程甚至不同节点，远程 Agent 通过 gRPC 和 Controller 通信，失败边界天然被切开了。

这带来几个直接好处：

• 远程 Agent 跑崩，不会把 Controller 一起拖下去。
• 高风险工具可以丢到单独环境里跑，权限边界更干净。
• 资源型任务和轻量型任务能分开调度，不必共享一个执行池。
• 某个 Agent 的噪声日志、内存暴涨、重试风暴，不会污染整条链路。

不少介绍会把它放成一个单独能力点，但我觉得它其实是整套系统的基础假设：Agent 不该默认和调度器同生共死。

Event Log 不是辅助信息，它就是恢复现场

真正让长任务可恢复的，不是简单保存一个“任务成功 / 失败”状态，而是把执行过程按序号持续落盘，让系统随时知道上次稳定位置停在哪。

图：Event Log 记录稳定序号，让长任务能从中断点继续。

这类设计在几个场景里尤其有用：

• 深度研究类任务 动辄跑几十分钟，中途掉线很常见。
• 多工具链路 往往包含外部 API，失败率不受你控制。
• ​人工介入审批后继续执行​，天然就是分段运行。

Event Log 是 ​single source of truth​。这不是修辞。只要你真的想做恢复、回放、审计和分叉，系统就必须承认有一份权威执行历史存在，而且它不能只放在内存里。

AX 为什么坚持做框架无关接入

AX 的接入方式做得很杂，但这个“杂”是有理由的。它不要求所有 Agent 都按一种写法来实现，而是给了四条进场路径：

接入方式	适合什么场景	运行时特征
原生远程 Agent	已经有独立 Agent 服务	通过 AgentService.Connect 建立 gRPC 双向可恢复流
Google ADK Agent	Python 生态里的 ADK 项目	由 Python ADK Agent 直接接入，底层通信封装为 gRPC
A2A Bridge Agent	团队已有 A2A 兼容 Agent	通过 A2A Bridge 转换协议与标头
Colab Agent	研究和实验任务	支持把 Python 脚本或 Notebook 作为执行入口

图：AX 通过多种接入模式兼容已有 Agent 生态，而不要求统一重写。

这背后的判断很工程化：企业里不会只有一种 Agent 形态。 有人用 Python，有人已经做了 A2A 协议，有人只是想把现成脚本纳入统一调度。让这些东西都重写一遍，系统很难落地。把协议边界做厚一点，反而更现实。

审计和权限别散在各个 Tool 里

AX 最像“基础设施”而不是“框架”的地方，就在 ​审计与策略控制​。所有用户请求、Agent 请求、Tool 调用都经过 Controller 这一个控制面，于是权限校验、调用记录、执行限流和审批流可以集中处理。

图：把权限、限流、审计和审批放回控制面，才能真正治理 Agent 行为。

这套做法的好处很直接：

• 安全规则不会散落在每个 Tool 的私有实现里。
• 需要人工确认的危险操作，比如 Bash 执行，可以被统一拦下来。
• 出了问题以后，能回溯到是哪次请求、哪个 Agent、哪一步工具调用触发的。

尤其是 Bash Tool 的“需用户确认才能执行”，看起来像个小功能，其实透露出整套系统的安全姿势：默认不信任 Agent 的执行冲动，必须给控制面留一个人工刹车。

Session Fork 解决的不是重试，而是低成本试错

如果只想断点恢复，事件日志已经够用了。AX 还额外做了 ​会话分叉​，这说明它想支持的不只是“接着跑”，还有“从历史某一点拐出去跑另一条线”。

图：同一份执行历史既能恢复原链路，也能从稳定点分叉试错。

这在几个地方很有用：

• What-if 分析，不想污染原任务链路。
• 回溯重试，直接从失败前的稳定点重开。
• 长任务跑到一半想验证另一套参数，不必整段重来。

这也是为什么 Fork 和 Resumption 必须分开看。恢复解决的是可靠性，分叉解决的是探索效率。 两者依赖同一份事件历史，但目标并不一样。

如果把 AX 当成一句话，它在补“Agent 缺的控制面”

Google AX 想解决的不是 Agent 是否足够聪明，而是 Agent 一旦进入真实执行环境，系统还缺哪几块硬骨头。它给出的答案也很明确：

• 用 Controller 把执行调度从 Agent 本体里抽出来。
• 用 Event Log 把任务状态外化，支持恢复、回放和分叉。
• 用 分布式部署 和 Actor 隔离 切开故障域。
• 用 统一控制面 接住审计、权限、限流和审批。
• 用 多种接入方式 兼容已有 Agent 生态，而不是要求世界重写。

这套设计最适合那类已经迈过“做个 Demo”阶段、开始在乎 稳定性 和 可治理性 的团队。你可以不采用 AX 的全部形态，但它提出的问题躲不掉：任务长了怎么办，状态丢了怎么办，Agent 能动真工具以后谁来兜底，出了事故以后靠什么回放现场。

如果说大模型在补“推理能力”，AX 这种运行时做的事更像补 ​工程常识​。没有这层，Agent 很容易停在漂亮演示；有了这层，才算真正碰到生产系统的门槛。

推荐阅读

业务 Agent 搭建指南：别急着重造 Agent，用知识、工具与评测跑通闭环

AI Native 竞争力：真正稀缺的不是会用 AI，而是把事往前推的人

Harness Engineering：Agent 真正能交付，靠的不是更强模型，而是上下文、执行协议和验收闸门

AI Coding 如何影响交付链路重构：写代码更快了，为什么人反而觉得更累了？

Agentic Skill Routing 实战：别再把所有 Skill 塞进 AI Agent 上下文