Springdrift：具备案例记忆、规范安全与环境自感知的LLM智能体可审计持久运行时

我们提出Springdrift，一个面向长生命周期LLM智能体的持久运行时。该系统集成了可审计的执行基底（仅追加内存、受监督进程、基于git的恢复）、带混合检索的基于案例推理记忆层（与稠密余弦基线对比评估）、用于安全门控并附带可审计公理轨迹的确定性规范演算，以及通过结构化自状态表示（sensorium）实现的持续环境自感知——后者在每个周期注入而无需工具调用。这些特性支持会话受限系统难以实现的行为：跨会话任务连续性、跨通道上下文维护、决策的端到端取证重建，以及自诊断行为。我们报告了一次持续23天（19个运行日）的单实例部署，其间该智能体在无明确指令的情况下诊断了自身基础设施缺陷、对失败模式进行分类、发现了一处架构漏洞，并维持了跨邮件与web通道的上下文。我们为此类别引入“人工常聘顾问”（Artificial Retainer）一词：一种非人类系统，在与其委托人的持续关系中具备持久记忆、明确授权、领域特定自主性与取证问责能力——借鉴专业常聘顾问关系与受过训练的工作动物的有限自主性，以区别于软件助手与自主智能体。这是一份关于系统设计与部署案例研究的技术报告，而非基准驱动的评估。证据来自单一实例与单一操作者，仅作为这些架构特性在实践中所能支持内容的例证。实现约基于Erlang/OTP上的Gleam。代码、制品与脱敏后的运行日志将于发表后发布在 https://github.com/seamus-brady/springdrift。