盗录播快慢Agent（设计灵感来源？）

背景：

在直播盗录播治理场景中，由于形式繁杂、风险对抗快、判别逻辑复杂，缺少可解释依据等挑战，现有盗录播治理方案存在风险召回滞后、缺乏系统性的核心问题。

盗录播风险召回Agent 2.0 旨在构建多模态特征与工具链支撑的自主决策Agent，实现动态轨迹生成与聚合研判。并且通过Agentic RL优化基座模型Planning能力（怎么做的？），提升判别准召和通用泛化能力

主要工作：

• 内容理解工具集：Workflow Tools、特征类 Tools、检索类 Tools；

• 快慢思考框架：设计低延迟和高质量兼顾的Agent推理模式；

• Agentic RL：通过Agentic SFT/RL优化基座模型Planning能力，提升判别准确率与召回率

整体架构

• Agent 规划决策层 (LangGraph)：负责 Agent 的核心逻辑规划决策。我们选择业界主流的 LangGraph 框架实现。在线服务的低延迟要求，与 ReAct、Plan-and-Execute 等主流 Agent 推理模式依赖多轮环境交互修正推理路径的特性相矛盾，导致在线决策 Agent 需在低延迟与推理质量之间进行权衡，为了解决这个问题，我们通过轨迹上报将反思修正offload到离线环境，构建在线低延迟、离线高质量的快慢思考 Agent 执行框架。

  • 快思考：在线低延迟环境，只进行有限步的“规划→执行”，进行在线推理决策。

  • 慢思考：离线异步环境，针对在线轨迹进行反思修正，为在线agent做出反馈和优化。

• 工具能力托管层 (AIPaas MCP Server)：负责将所有外部依赖（如特征提取、检索、业务逻辑判断等）封装为标准化的工具。我们采用 AIPaas 提供的 MCP Server（Model Context Protocol Server）作为工具托管平台。这样做的好处在于：

  • 标准化与解耦：所有工具都遵循 MCP 协议，Agent 无需关心底层服务的实现（HTTP, RPC, FaaS 等），只需通过统一的 MCP Client 调用。降低了 Agent 与工具之间的耦合度。

  • 可观测与治理：AIPaas 平台为 MCP Server 提供了完善的发布、调试、监控和鉴权能力。我们可以通过环境变量或请求变量安全地传递 PSM 授权、用户身份等敏感信息，并通过 SSE (Server-Sent Events) 或标准 HTTP 进行高效的数据传输。

  • 鲁棒性与效率（怎么理解？）：缓存工具调用结果到Abase中，通过控制参数/中间件，区分进行工具执行还是缓存载入。保证轨迹评测时工具调用结果的可复现性，支撑高效的离线轨迹Rollout。

• 轨迹上报与优化闭环层 (OrbitFlow Cache)：负责 Agent 的可观测性、评测和数据驱动的优化。基于OrbitFlow框架的缓存机制，将Agent推理的特征输入、执行计划、工具结果等轨迹信息缓存到Abase中用于离线评测优化：

  • 轨迹上报与分析：通过OrbitFlow框架Abase缓存机制，将Agent 执行的每一个步骤（思考、工具调用、模型输入输出）自动上报，形成结构化的 Trace 轨迹。为问题定位、性能分析提供了Groundtruth数据。

  • 评测与数据回流：基于Aime、ValleyClaw等Agent平台，采样EROR、ASR、WLR等Hardcase数据集，对缓存的 Agent 轨迹进行自动化评估。将高价值的Case一键回流，构建用于 Agentic SFT 和 RL 的高质量数据集。

内容理解工具集

MCP Tools开发框架

• MCP Server（怎么理解？）：

  • 网关层（MCP协议解析）：使用AI Paas平台发布工具（基于Faas计算服务）进行请求鉴权，工具发现等操作。构建异步函数支持在线/离线场景，将工具请求映射为对OrbitFlow服务的RPC调用。

  • 服务层（工具执行）：使用Orbitflow服务框架（基于TCE计算服务）进行工具部署，支持来自机审、TCE服务、MCP网关的RPC调用。

• MCP Client：

  • bytedance.mcp 实现工具发现。

  • bytedance.mcp_langgraph_adapter 将AI PaaS上发布的工具转换成LangGraph格式的Tools

MCP内容理解工具集

快慢思考框架