Et nyt forskningspapir introducerer et formelt paradigme, der kan gøre det langt mere pålideligt at bygge komplekse, dynamisk sammensatte softwaresystemer – herunder de selv-evolverende AI-agent-harness, som mange virksomheder eksperimenterer med. Paradigmet, kaldet 'spatiotemporal composability', adresserer to grundlæggende problemer: hvordan man fuldstændigt kan rulle en komponents bivirkninger tilbage, når den fjernes (temporal komposabilitet), og hvordan man kan håndtere afhængigheder mellem komponenter, så de aktiveres og deaktiveres korrekt (spatial komposabilitet).
Forskerne bag papiret, tilgængeligt på Hugging Face, løfter klassiske begreber fra programmeringsteori – effekter og koeffekter – til runtime-mekanismer. De introducerer 'revertible effects', hvor hver konteksttransformation har en invers, som runtime holder styr på, og 'reactive coeffects', hvor kontekstændringer klassificeres mod en komponents specifikation for at styre dens aktivering. Ved at samle disse i en samlet konteksttype og mediere alle effekter gennem den, opnår de en 'observational equivalence', så forskellige komponenters effekter kan interlevere uden at forstyrre hinanden.
Konkret har de implementeret idéerne i et meta-framework kaldet Cordis, der tilbyder et kernebibliotek med effektsporing og koeffekt-resolving samt en deklarativ komponent-loader med konfigurationsafstemning og hot module replacement.
For beslutningstagere er det væsentlige ikke de tekniske detaljer, men implikationen: Hvis dette paradigme vinder frem, kan det reducere risikoen ved at bygge modulære, selv-modificerende systemer markant. Det kan gøre det mere sikkert at implementere agent-baserede løsninger, hvor komponenter tilføjes og fjernes dynamisk, uden at hele systemet bryder sammen. Det er et skridt mod at gøre AI-systemer mere robuste og lettere at vedligeholde i produktion.
