Lovable 发布 Chats：基于 Git 轨迹系统的智能体协作新范式
在构建智能体（Agent）驱动的产品时，最复杂的场景往往涉及跨对话的任务委托：一个智能体将任务分派给另一个，后者拥有独立的历史记录并可能正在处理中。当新指令在任务完成前到达，且结果需反馈回发起对话时，如何在不丢失上下文、混淆职责或过度定制交互的前提下连接这些碎片？
Lovable 近日在其官方博客中详细拆解了其最新功能 Chats 背后的工程架构。Chats 不仅是一个对话界面，更是一套将用户想法转化为代码变更的完整工作流，其底层依托于 Lovable 为智能体协作开发的 Trajectory System。
核心架构：轨迹（Trajectory）即 Git 历史
Lovable 的架构设计巧妙地分离了三个常被混淆的概念：发生了什么（What happened）、智能体需要知道什么（What an agent needs to know）以及何时运行（When it should run）。
1. 轨迹：事件日志的 Git 化
在 Lovable 中，每一次智能体对话都被视为一个事件日志。系统以 Lovable Agent Framework 的粒度捕获所有 LLM 的输出，包括：
UserMessage,AgentStart,AgentDone（包裹智能体响应）；IterationStart,IterationEnd（包裹每次 LLM 调用）；- 模型的思考过程、内容输出及工具调用结果；
- 完整的工具生命周期（从参数验证到执行结束及人工审批）。
关键特性：
- 追加式与不可变：所有事件均为追加式记录，不可删除。即使是撤销（Revert）操作，也会被记录为
Revert事件，而非直接删除数据。 - 单亲指针设计：每个事件仅有一个父指针（Parent Pointer），向后追踪即可还原完整历史。这与 Git 的提交历史逻辑一致。
- 自由分叉（Forking）：这是该架构最强大的特性。从任意
IterationEnd或AgentDone节点，可以创建一个新的“头（Head）”，即一个新的分支。新分支继承父分支的所有历史，且无需复制事件数据，仅需记录分叉点配置，成本几乎为零。
注意：Lovable 刻意避免了轨迹合并（Merge）。合并两条独立的智能体思维流在语义上存在歧义。当智能体需要共享结果时，它们通过 Agent Control Plane 进行消息传递，而非合并轨迹。
2. 上下文：轨迹的灵活投影
轨迹是“唯一真理来源”，但它并非直接发送给模型的原始数据。在每次迭代开始时，提示词构建器（Prompt Builder）会回溯智能体头部，从轨迹中渲染出当前的上下文。
这种分离带来了巨大的灵活性：
- 异步压缩（Asynchronous Compaction）：当智能体决定压缩上下文时，它会记录
PromptCompactionStart。一个独立的“压缩器”小智能体在侧分支（Side Trajectory）上运行，生成摘要。主智能体无需暂停，只需在构建下一个提示词时，发现并采用已完成的摘要，替换旧事件即可。 - 背景代理共享历史：分叉后的代理可以直接继承父代理的事件流作为其历史，无需额外开销。
- 用例特定的提示词：构建器、子代理等不同角色可以从同一类事件类型中渲染出不同的预设（如是否包含代码库上下文、包含哪些通知等）。
实际价值与应用场景
Chats 的发布标志着 AI 开发工具从简单的“对话生成代码”向“协作式工程执行”的跨越。
- 无缝的任务流转：开发者可以发起关于产品设计的对话，当方案确定后，一键确认构建。Chats 会将工作无缝移交至构建代理，并将代码更新实时反馈回对话流中。
- 高保真的调试与回溯：由于所有操作（包括撤销和分叉）都有迹可循，开发者可以像审查 Git 提交一样，精确查看智能体的每一步思考、工具调用及决策过程。
- 大规模并发处理：基于轨迹的分叉机制，使得系统能够高效处理数十万甚至上百万的用户交互事件，同时保持上下文的一致性与可追溯性。
正如 Lovable 团队所言，这一架构让智能体不再孤立工作，而是形成了一个能够自我组织、动态适应并共同推进复杂项目的协作网络。
关键亮点 (Key Highlights)
- Git 风格的轨迹系统：将智能体交互建模为不可变的追加式事件日志，支持任意节点自由分叉，无需复制数据即可创建新上下文。
- 上下文与日志分离：实现了事件日志（Trajectory）与模型上下文（Context）的解耦，支持异步压缩、背景代理共享历史及动态提示词组装。
- 无歧义的协作模式：摒弃了轨迹合并，采用基于消息传递的 Agent Control Plane 机制，确保多智能体协作的语义清晰与逻辑严密。
关键技术指标 (Metrics)
- 事件吞吐量：工作日单应用轨迹系统约记录 5 亿 个事件。
- 用户交互规模：覆盖约 260 万 次用户回合（User Turns）。
- 分叉成本：创建新分支（Fork）的数据复制成本接近 零，仅需记录父节点指针。
