Aethon：实现有状态AI智能体常量时间实例化的基于引用的复制原语

从无状态模型推理到有状态智能体执行的转变，正在重塑现代AI基础设施底层的系统假设。尽管大语言模型已使持久化、使用工具与协作式智能体在技术上可行，现有运行时架构仍受制于重物化的实例化模型，带来显著的延迟与内存开销。本文提出Aethon，一种基于引用的复制原语，用于有状态AI智能体的近常量时间实例化。Aethon不把智能体重建为完全物化的对象，而是将每个实例表示为叠加在稳定定义、分层记忆与本地上下文覆盖层之上的组合视图。通过将实例化从复制转向引用，Aethon把创建成本与被继承的结构解耦。我们呈现Aethon背后的概念框架、系统架构与记忆模型，包括分层继承与写时复制（copy-on-write）语义。我们分析其对复杂度、可扩展性、多智能体编排与企业治理的影响。我们论证，基于引用的实例化不仅是一种优化，更是面向生产规模智能体软件更为合适的系统抽象。Aethon指向一类新的AI基础设施：智能体成为轻量、可组合的执行身份，可被大规模地生成、专门化与治理。