最近我们刚发布了Bridgic v0.3.0b1版本，升级了长程自主性智能模块[1]，并且完善了MCP集成能力[2]。今天我就来和大家介绍一下，如何组合这些底层能力来实现一些有意思的功能（具备高度自主性的），以及将自主性模块加入到Bridgic风格的编排体系中的背后的一些设计思考。
归零者想重新启动宇宙，回到田园时代。
—— 出自《三体》
今天我们讨论一个跟Python异步编程有关的问题。问题源于我们在开发Bridgic项目时碰到的一个基础编程问题：被调度执行的agent应该运行在一个什么样的线程环境上？
与传统的软件系统不同，智能体是天然具有「结构」的。
首先，单智能体内部，可以包含LLM、工作worker、工具等一系列内部模块。其次，多智能体是由多个子智能体组合而成的，不管是「agent as tool」还是其他的组合模式。第三，确定性的workflow和高自主性的agentic模块，在实际生产中是很可能出现在同一个系统中被组合使用的。这些都呈现出某种「结构」性信息。
今天，我以开源Bridgic 的链路追踪集成 (tracing) 为例，聊一聊AI时代的可观测性 (Observability) 相关的话题。
上篇文章发出来之后，不少朋友说想看看「动态拓扑」的代码长什么样子。当然，代码怎么写只是问题的一个方面，是一个表现形式。关键问题在于，上篇文章讨论的那些所谓的「思考」，是如何从抽象的概念变为实实在在的代码的，以及这些代码的结构是如何组织起来的。这是一个有趣的过程（相信你也会这么认为）。
有不少读者朋友发来私信询问，如果要开发AI Agent应该如何对AI框架进行选型。这确实不是一两句话能够说清楚的，因为我觉得也不好选🤦
一方面，虽然市面上选择很多，但各自的差异也比较大，没有能“包治百病”的。另一方面，在我看来各种方案都不够好：要么代码臃肿，概念堆砌；要么就是各种黑盒方案，在生产环境很不可控…
在上篇文章中，我们讨论了AI智能体开发中「人类在环 (human-in-the-loop)」机制的一些重要方面。今天，我给出一些示例代码来展示其中核心部分的实现过程及注意事项。文末附上源码下载链接。