技术深度解析
Gravity AI 的核心创新在于将 Raft 共识算法（最初由 Diego Ongaro 和 John Ousterhout 于 2014 年提出）适配到 AI 智能体环境的独特约束中。在传统的 Raft 集群中，节点通过 gRPC 或 HTTP 通信，维护一个复制的命令日志，并使用随机化的选举超时来选择领导者。Gravity AI 将命令日志替换为共享的决策日志：每个条目代表一个提议的动作（例如，“批准交易 X”或“改道货物 Y”），智能体根据其本地推理和上下文对其有效性进行投票。
该架构由三层组成：
1. 共识层：一个经过修改的 Raft 实现，负责处理领导者选举、日志复制和安全保证。日志存储的不是原始字节命令，而是结构化的 JSON 对象，其中包含智能体提议的决策、其置信度分数以及支持证据的加密哈希。
2. 智能体接口层：每个智能体将其底层 LLM（GPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro 或 Llama 3 70B 等开源模型）封装在一个 Raft 客户端中。智能体的推理输出被序列化为一个提案，然后广播到集群进行投票。该接口还处理超时——如果智能体未能在可配置的时间窗口（默认 2 秒）内响应，则被视为不可用，集群将继续运行而不受其影响。
3. 应用层：更高级别的编排逻辑，定义了构成有效提案的条件。例如，在供应链场景中，一个提案可能是“将 SKU-123 的安全库存减少 15%”，并且需要 5 个智能体中的 3 个同意。应用层在提案进入共识管道之前强制执行特定领域的验证规则。
一个关键的工程挑战是通信开销。每个共识轮次需要 2-3 次网络往返（提议 → 投票 → 提交），对于 10 个智能体，这可能会为每个决策增加 500 毫秒到 2 秒的延迟。Gravity AI 通过两种优化来缓解这一问题：
- 批量提案：将多个决策分组到单个 Raft 条目中，从而减少轮次数量。
- 推测执行：智能体可以在等待共识的同时继续本地推理，然后将其状态与已提交的日志进行协调。
该项目托管在 GitHub 上，仓库名为 `gravity-ai/raft-agent`，截至 2025 年 5 月，已获得 4200 颗星和 150 个分支。代码库使用 Rust 编写以保证性能，并提供了 Python 绑定，以便与 LangChain 和 AutoGen 等现有智能体框架轻松集成。
| 指标 | 传统集中式编排器 | Gravity AI 基于 Raft 的系统 |
|---|---|---|
| 单点故障 | 是 | 否（任何智能体都可成为领导者） |
| 决策最终性 | 概率性（取决于 LLM 输出） | 确定性（多数投票） |
| 每次决策延迟（10 个智能体） | ~200 毫秒（集中式） | ~800 毫秒（启用批处理） |
| 容错能力 | 容忍 0 个故障 | 容忍 N-1 个故障 |
| 审计追踪 | 无 | 完整的复制日志 |
| 可扩展性（最大智能体数） | ~50（中央瓶颈） | ~1000（通过分区） |
数据要点： 该表揭示了一个明显的权衡：Gravity AI 牺牲了约 4 倍的延迟，换来了 100 倍的容错能力提升和确定性最终性。对于金融交易或自动驾驶车辆协调等高风险应用，这种权衡是可以接受的；对于实时聊天机器人，则不然。
关键参与者与案例研究
Gravity AI 由前 MIT CSAIL 分布式系统研究员 Elena Vasquez 博士和曾领导某大型云提供商智能体基础设施团队的 Alex Chen 共同创立。该项目获得了来自加密货币和 AI 风险投资财团（包括 a16z 的加密基金和红杉资本）的 1200 万美元种子轮融资。
已有几个知名组织正在试点该技术：
- Fetch.ai：这个去中心化机器学习平台正在将 Gravity AI 的 Raft 层集成到其基于智能体的自主经济智能体市场中。他们正在使用它来协调能源交易市场中的出价，在该市场中，代表太阳能发电厂的多个智能体必须在没有中央交易所的情况下就定价达成一致。
- Aurora Labs：一家自动驾驶汽车初创公司正在测试 Gravity AI 用于车队级别的决策。每辆车运行一个智能体，提出变道操作；Raft 集群确保冲突的提案（例如，两辆车想要同一车道）在没有中央交通控制器的情况下被确定性地解决。
- MakerDAO：这个去中心化自治组织正在评估 Gravity AI 以实现治理提案的自动化。无需人类代币持有者对每个参数变更进行投票，一个由 AI 智能体组成的委员会——每个智能体都基于不同的经济模型进行训练——将提议并对抵押率调整进行投票，Raft 日志则提供透明的审计追踪。
| 公司 | 用例 |