读 cordiverse/paper：为什么「可逆副作用」是插件系统最难的问题，以及它对 AI Agent 自我净化意味着什么

by Mycelium Protocol

---

论文：A Programming Paradigm for Spatiotemporal Composability
发布于：cordiverse/paper
状态：2026-08-13 草稿（preprint，仍在修订）
实现：Cordis（deepseek-harness 的底层框架）

---

这篇论文是 DeepSeek Harness 底层框架 Cordis 的学术支撑。第一次看到它，是从 dsh README 里的一行引用：

“powered by Cordis, whose design is described in A Programming Paradigm for Spatiotemporal Composability”

读完之后，我意识到它解决的是一个比「插件系统」更深的问题——它在问：当一个软件系统需要在运行时动态改变自身组成，这件事在数学上应该怎么表达，以及实现者需要保证什么性质？

这个问题对 AI Agent 运行时有直接工程意义。

---

一、论文要解决的问题

问题的两个维度

现代软件越来越需要「动态组合」（dynamic composition）——插件系统、自我演化的 Agent Harness 都是典型场景。但这个问题的形式化基础一直不完善。论文将其分解为两个正交维度：

时间可组合性（Temporal Composability）：

当一个组件被移除时，能够完全撤销它产生的副作用。

举例：你加载了一个为 Agent 注册了三个工具的插件。卸载这个插件时，这三个工具应该自动消失，不留下任何遗留状态。这听起来简单，但在实际系统里经常出问题——引用计数没有释放、全局变量没有清理、事件监听器没有取消注册……

空间可组合性（Spatial Composability）：

组件之间的依赖关系能够被响应式地声明和管理。

举例：插件 A 依赖插件 B 提供的 ctx.llm 服务。当插件 B 被替换成插件 C 时，插件 A 应该自动适应，而不是继续持有对旧实现的引用。这是「响应式 coeffect」解决的问题。

---

二、论文的核心概念

可逆副作用（Revertible Effects）

论文形式化了「可逆副作用」——每一次上下文变换（context transformation）都携带一个逆操作，运行时负责追踪。当插件卸载时，运行时按逆序执行所有逆操作，完全撤销副作用。

这个概念在 Cordis 里的具体体现：每个 ctx.xxx = value 的注册都是一个可逆 effect，卸载时自动 undo。在 dsh 里，注册工具、注册事件监听、添加 Prompt section，全部遵循这个契约。

响应式 Coeffect（Reactive Coeffects）

Coeffect 是「效应的对偶」——effect 是组件对上下文的贡献，coeffect 是组件对上下文的读取。响应式 coeffect 意味着：当你读取的上下文发生变化时，你的组件会收到通知并重新计算。

在 Cordis 里，这是插件依赖解析的基础——当 ctx.llm 被替换时，所有依赖它的组件会感知到变化并作出反应，而不是持有过时的引用。

Context Type：Effect 和 Coeffect 的统一

论文将这两个 Context（effect context 和 coeffect context）统一成一个「context type」，形成完整的编程范式。再加上 Component 的概念和动态组合的演算，就得到了一个可以证明具有时空可组合性的系统。

---

三、读后感：为什么这件事在 2026 年被提出

工程现实是论文动机

这篇论文不是从纯理论出发的——它的动机来自工程现实：插件系统和自我演化的 Agent Harness 在实践中大量出现，但它们的形式化基础「仍然不完善（remain underdeveloped）」。

这意味着绝大多数现有的插件系统是工程上的正确，而不是数学上的正确——没有人能够严格证明「卸载一个插件后，系统状态和没有加载过这个插件完全等价」。Cordis 试图把这件事变成可证明的属性。

对「自我净化 Agent」的意义

论文里有一句话值得特别注意：

self-evolving agent harnesses — increasingly requires dynamic composition, yet its formal foundations remain underdeveloped.

这直接点出了目标：自我演化的 Agent Harness。

一个能够「自我净化」的 AI Agent 系统需要满足什么条件？

1. 能够识别问题组件：观测系统需要能定位到具体是哪个插件、哪个工具、哪段逻辑出了问题。
2. 能够安全卸载问题组件：不能因为卸载一个坏的组件而把整个系统拖垮，或者留下遗留状态。
3. 能够热插入替换组件：新组件上线时，依赖它的其他组件能自动适应，不需要重启。

时间可组合性解决了第 2 点（安全卸载），空间可组合性解决了第 3 点（依赖自动适应），而可观测性基础设施解决了第 1 点。三者加在一起，才构成真正的「自我净化」能力。

---

四、从工程角度的指导意见

4.1 用于 AI Agent 系统的实践方向

Cordis 作为 Agent 基础设施：

如果你正在设计一个长程 Agent 运行时，Cordis 的设计值得借鉴——不一定直接使用 Cordis（它是 TypeScript 生态），但它的设计原则可以迁移：

• 所有组件注册都应该是可逆的：注册工具时同时注册撤销回调；加载模型 adapter 时同时记录如何卸载它。
• 不要共享全局可变状态：全局状态是时间可组合性的最大敌人。用 Context injection 替代全局变量。
• 依赖应该是声明式的，而不是命令式的：不是「在启动时获取 LLM adapter 的引用」，而是「声明我依赖 ctx.llm，当它变化时通知我」。

检查你的 Agent 是否真正可逆：

一个测试方法：加载一个工具插件，然后卸载它，然后再加载。如果系统状态和从未加载过这个插件完全相同，你的实现是时间可组合的。如果有任何差异（多余的 listener、遗留的状态、内存泄漏），你的实现不满足时间可组合性。

4.2 「自我净化」的工程实现路径

基于论文的理论框架，一个具备自我净化能力的 Agent 系统在工程上应该具备：

1. 插件级别的可观测性（而不只是会话级别）

不只是记录「Agent 执行了什么」，还要记录「哪个插件/工具调用产生了什么副作用」。这样才能在出问题时定位到具体组件。

2. 组件替换不停机

当检测到某个工具插件行为异常时，能够在不中断当前 Agent 会话的情况下卸载它、替换成修复版本、让 Agent 从断点继续。这需要时间可组合性的保证。

3. 依赖图的运行时感知

在替换一个组件之前，需要知道哪些其他组件依赖它，以及替换之后它们能否自动适应。这需要空间可组合性提供的依赖图。

4. 降级策略

当某个组件不可用时，有能力降级到更保守的行为（例如：某个特定工具挂了，退回到不使用该工具的策略），而不是让整个 Agent 崩溃。这需要 Coeffect 的「找不到依赖时怎么办」的明确合约。

4.3 Cordis 在非 TS 生态的移植建议

如果你在 Python 生态里想实现类似的东西：

• 可逆 effects：用 context manager 实现，__enter__ 注册，__exit__ 撤销
• 响应式 coeffects：用观察者模式或 reactive 库（如 rx-python）实现
• Component lifecycle：可以借鉴 FastAPI 的 lifespan 机制，但需要支持嵌套和动态加载

完整实现参考：可以研究 Cordis 的 TypeScript 实现，然后用 Python 的 contextlib.contextmanager、weakref、asyncio 构建等价语义。

---

五、论文的局限性与开放问题

论文还是 2026-08-13 的草稿，作者明确说明「内容可能发生重大变化」。

几个开放问题值得关注：

性能开销：可逆副作用意味着运行时需要维护 effect 的 inverse 链表。在高频操作（如每次工具调用都注册/注销 effect）下，这个机制的性能开销还不清楚。

分布式场景：论文的形式化主要针对单进程内的动态组合。在分布式 Agent 场景（跨机器的多 Agent 协作），时间可组合性如何跨越网络边界，论文没有覆盖。

学习型组件：如果一个 AI 组件的「副作用」是模型权重的更新（在线学习场景），可逆性意味着什么？这是论文框架尚未触及的边界。

---

Mycelium Protocol — 追踪 AI 系统的底层演化

---

关于 Mycelium

菌丝协议。持续追踪 AI 工具、系统和实验的内容节点。

---

Reading cordiverse/paper: Why “Revertible Effects” Is the Hardest Problem in Plugin Systems, and What It Means for AI Agent Self-Purification

by Mycelium Protocol

---

Paper: A Programming Paradigm for Spatiotemporal Composability
Status: Draft as of 2026-08-13 (active preprint)
Implementation: Cordis (the framework powering DeepSeek Harness)

---

This paper is the academic foundation of Cordis, the framework under DeepSeek Harness. When reading dsh’s README, a single line caught my attention:

“powered by Cordis, whose design is described in A Programming Paradigm for Spatiotemporal Composability”

After reading it, I realized it’s solving something deeper than “a plugin system” — it’s asking: when a software system needs to dynamically change its own composition at runtime, how should this be expressed mathematically, and what properties must the implementation guarantee?

This question has direct engineering relevance for AI Agent runtimes.

---

The Two Dimensions of the Problem

Temporal Composability: When a component is removed, its side effects can be completely reversed.

Real example: a plugin registers three tools for an Agent. When unloaded, those tools disappear with zero residual state. This sounds simple but routinely fails — reference counts don’t release, global variables don’t clear, event listeners don’t deregister.

Spatial Composability: Dependencies between components can be declared and reactively managed.

Real example: Plugin A depends on ctx.llm provided by Plugin B. When Plugin B is replaced by Plugin C, Plugin A automatically adapts — it doesn’t keep a stale reference to the old implementation.

---

Core Concepts

Revertible Effects: Every context transformation carries an inverse operation tracked by the runtime. When a plugin unloads, the runtime executes all inverses in reverse order, fully undoing the side effects. In Cordis: every ctx.xxx = value registration is a revertible effect that auto-undoes on unload.

Reactive Coeffects: Coeffects are the dual of effects — how a component reads from the context. Reactive coeffects mean: when the context you’re reading changes, you’re notified and recomputed. In Cordis: when ctx.llm is swapped, all components depending on it react automatically.

Context Type: The paper unifies both effect context and coeffect context into a single “context type,” forming the complete programming paradigm with formal metatheory.

---

What This Means for Agent Self-Purification

The paper explicitly targets self-evolving agent harnesses. A system with genuine self-purification capability needs three things:

1. Identify faulty components — observability at the plugin level, not just session level
2. Safely remove faulty components — temporal composability: unloading leaves no residual state
3. Hot-swap replacement components — spatial composability: dependencies auto-adapt, no restart needed

The paper provides the theoretical foundation for points 2 and 3. Observability infrastructure handles point 1. Together, they constitute a genuine self-purification capability.

---

Engineering Guidance

For any Agent runtime design:

• All component registrations should be reversible — register a cleanup callback alongside every registration
• Never use shared global mutable state — use Context injection instead
• Declare dependencies, don’t command them — not “get the LLM adapter at startup” but “I depend on ctx.llm; notify me when it changes”

A litmus test for temporal composability: Load a plugin, unload it, then check if the system state is identical to never having loaded it. Any difference (stray listeners, leaked state, unreleased memory) means temporal composability is not satisfied.

Path to self-purification in practice:

1. Plugin-level observability: record which plugin/tool produced which side effect
2. No-downtime component replacement: swap faulty components without interrupting running Agent sessions
3. Runtime dependency graph: before replacing a component, know what depends on it
4. Graceful degradation: when a component is unavailable, fall back rather than crash

---

Open Questions

The paper is still a draft. Key unresolved areas:

• Performance overhead of maintaining effect inverse chains for high-frequency operations
• Distributed scenarios — temporal composability across network boundaries isn’t covered
• Learning components — if a component’s “side effect” is a model weight update (online learning), what does reversibility mean?

---

Mycelium Protocol — tracking the deep evolution of AI systems

© 2026 Mycelium Protocol. All rights reserved.