可组合性：AI与数据系统的真正护城河

一个视角：为什么组合性在计算领域反复出现——从 Unix 管道到区块链协议再到 AI Agent，以及这对可靠数据系统未来意味着什么。

每隔几十年，我们都会以新的形态重新发现同一个架构真理：胜出的系统是为组合性而设计的系统。

从 Unix 管道到区块链协议，再到 AI Agent，模式完全相同：专注于单一功能的小型组件，通过简单接口连接在一起，每次都胜过单体系统。

Unix：组合性的最初实验室

Unix 的先驱们带给我们的不仅仅是一个操作系统，更是一种哲学。Doug McIlroy 的格言将一条设计原则确立下来，其生命力远超它当初所运行的硬件。

• 编写做一件事并把它做好的程序。
• 编写能够协作的程序。
• 编写处理文本流的程序，因为文本流是一种通用接口。

在实践中，这意味着力量并非来自单个工具，而是来自它们连接在一起的方式。像 grep、awk、sed、sort 和 uniq 这样的命令各自单独看都平平无奇；但组合在一起，你就能在一行命令中构建临时的数据处理管道。一个具备一定技能的工程师可以坐在终端前，仅凭一个 bash 脚本，就能自动化处理涉及日志、文本和系统状态的任意复杂工作流。

但这也是有代价的。这些工具简洁、苛刻且难以掌握。它们假设使用者具备纪律性：统一的文本格式、可预测的退出码，以及命名和组合方面的习惯。但对于掌握这些的人来说，回报是不对称的。你学习的不仅仅是命令，更是一种组合的语法，这种语法让系统感觉几乎无所不能。

DOS 与 Windows：伟大的遗忘

并非所有操作系统都选择了这条路。DOS 也附带了实用工具，但它们从未真正成为可组合生态系统中的一等公民。诸如标准化的文本接口、管道机制，以及“这个程序的输出就是未来某个程序的输入”这类文化，要么薄弱，要么缺失。

DOS 并没有提供一个工具设计为可互操作的环境，而是给了我们一组松散的内部命令和外部程序，这些程序极少将组合性作为首要设计目标。Shell 虽然存在，但仅仅被视为运行可执行文件的地方，仅此而已。

随后 Windows 1.0 问世。它带来了“易用性”和更广泛的普及，但却将哪怕最原始的组合性丢出了窗外。每个应用程序都变成了一个孤岛，拥有自己的用户界面、内部数据结构以及“工作流”理念。

我们用这样一个世界做了交换：在这个世界里，高级用户可以通过脚本将任意命令串联起来；而在新世界里，唯一被认可的组合方式就是应用程序厂商已经设想并实现了的那些。工具之间的“管道”变成了剪贴板。

换句话说，我们用混凝土浇筑了“小型通用工具应该成为一切构建块”这个想法。

AI：考古学家

现在，AI 正在通过重新发现遥远的过去，悄悄纠正这个错误。

现代 LLM 之所以强大，并非因为它们能生成流畅的文字，而是因为它们能够理解目标、将其分解为步骤，并以一种类似超增强版 Unix Shell 的方式来编排工具。

一个人类专家或许能在特定生态系统中熟练掌握几百个命令行工具。即便如此，在时间压力下，他们通常也只会依赖为数不多的几个熟悉工具。相比之下，一个 LLM 可以连接成千上万个工具——API、脚本、数据库、检索系统——并且只要接口描述清晰，它就能“记住”如何调用它们中的任何一个。

我们正在看到 Unix 哲学以一个全新的规模重现：

• 每个工具都有明确的范围和单一职责。它只做一件事：从索引中检索数据、调用定价 API、执行 SQL 查询、写入存储，或运行一次模拟。
• 接口简单且类似文本：JSON schema、函数签名、提示词契约。
• LLM 充当通用编排器，决定调用哪些工具、按什么顺序调用，以及如何将它们的输出路由到后续调用中。

过去是 bash 脚本的东西，现在变成了一个运行计划的“Agent”：调用文档工具，调用区块链索引器，对照风险引擎验证假设，为人类总结结果。要素是熟悉的，但规模和灵活性是全新的。

这并非模型规模的偶然产物，而是一种架构选择。LLM Agent 的力量更多地来自于它能否利用好可组合的工具，而非原始参数的多寡。

同样的模式也出现在现代数据基础设施中，特别是在需要大规模处理和提供实时数据的系统中。

LLM 作为可组合的操作系统

当今最有趣的 LLM 系统，将模型视为操作系统的一部分，而非一个应用。这在现代 Agent 框架中可见一斑。

• 工具和 API 被定义为模块化能力，可以添加或移除，而无需重写整个系统。
• 工作流被表示为状态和转换的图，而不是单一的整体提示词。
• 多个 Agent 各自承担狭窄的职责（搜索、总结、分类、规划、执行），以可组合的方式连接在一起。

这看起来很像 Unix 思维模式，只是翻译到了 AI 时代。LLM 就是 Shell。每个 Agent 就是一个子 Shell，编排着离散的工具。

当这一点做得好时，你会得到与 Unix 相同的涌现特性：系统整体大于部分之和。添加一个新工具——比如区块链索引器、价格 API、文件系统或模拟引擎——系统的能力会以组合方式扩展，因为每一个现有工作流现在都可以利用它。

这正是当前“Agentic AI”中大量工作强调可组合架构的原因。如果每个能力都是独立的、范围明确的并且可以单独测试，那么你可以：

• 在不重写核心逻辑的情况下更换工具。
• 通过图回溯故障，而不是调试巨大的提示词。
• 在多个工作流中复用同一个 Agent 或工具。

不同技术栈的具体细节各不相同，但底层的教训是相同的：LLM 的价值取决于它们所能编排的可组合生态系统的丰富程度。

组合性是真正的护城河

这有两个重要的含义。

首先，这意味着在 AI 系统中，组合性是一个结构性属性，而非一个功能特性。你不能事后添加上去。要么工具、数据和工作流从一开始就被设计为可互操作，否则它们就会僵化成抵制变更的定制化集成。

其次，它重新定义了真正的杠杆作用来自何处。获胜的系统将不是拥有某个最强“全能”模型的系统，而是那些围绕该模型提供最丰富、最可靠、可组合能力的系统。这一点在实践中已经显现：

• 依赖不透明、紧密耦合工具的 AI 技术栈会变得脆弱且难以演进。
• 将工具视为小巧、尖锐的组件，每个组件都有清晰契约的技术栈，可以用更少的工程工作扩展到更多的用例。

这在生产级的 Agent 平台中可以看到，它们坚持使用范围明确的工具、健壮的错误处理和明确的推理轨迹。它们正在重新发现几十年前 Unix 工程师们内化的同一个教训：如果你想同时获得可靠性和灵活性，你需要可组合的工具。

从这个角度看，趋势是清晰的。Unix 的先驱们给我们带来了第一个主流的、构建在小型实用工具和文本管道之上的计算环境。以 GUI 为中心的计算曾一度通过将工具隐藏在应用程序边界之后掩盖了这种力量。AI 现在正在将其带回来，LLM 作为编排层，加上不断增长的工具、Agent 和数据系统宇宙。

组合性之所以胜出，不是因为它优雅，而是因为随着时间的推移，没有其他架构能跟得上。

这对区块链数据意味着什么

同样的原则适用于区块链数据系统。

如今的应用程序依赖于实时、可靠地访问链上数据。将索引、查询和数据访问视为可组合组件的系统，更容易随着需求变化而扩展和调整。

这正是 Ormi 的构建理念：小巧、可靠的组件，在真实条件下协同工作，而不是在复杂性增加时崩溃的紧密耦合系统。

• 原文链接： blog.ormilabs.com/compos...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～