在開發 AI Agent（AI 代理）時，開發者經常面臨一個核心挑戰：長流程任務的脆弱性。當一個 AI Agent 需要執行多個步驟，例如先調用大型語言模型（LLM）分析需求，接著調用外部 API 獲取數據，最後再生成報告時，任何一個環節的網路波動或系統崩潰，都可能導致整個流程中斷。在缺乏有效記錄機制的情況下，系統通常只能從頭開始重新執行，這不僅浪費了昂貴的 Token 成本，更增加了執行時間。此外，在企業級應用中，AI Agent 的決策過程往往缺乏透明度，組織難以證明 Agent 究竟調用了哪些工具或執行了哪些操作，這在審計與合規要求嚴格的環境中是一個巨大的風險。
針對這些痛點，Diagrid 於 2026 年 7 月推出了 Catalyst 2.0。這是一個旨在為 AI Agent 提供持久化（Durability）與可驗證性（Verifiability）的基礎設施層。Catalyst 2.0 並非一個新的 Agent 框架，而是一個可以整合進現有開發流程的增強套件。它支持包括 LangGraph、Microsoft Agent Framework、Google ADK 以及 Dapr Agents 在內的十多種主流框架，讓開發者無需徹底重寫代碼，即可為現有的 Agent 應用賦予企業級的穩定性。
核心技術：持久化執行與故障恢復
Catalyst 2.0 的核心運作邏輯在於將模型調用（Model Calls）與工具調用（Tool Calls）視為持久化工作流中的活動（Activities）。傳統的 Agent 框架如 LangGraph 雖然提供檢查點（Checkpointing）機制，但通常是在圖形步驟（Graph Superstep）的邊界進行記錄。而 Catalyst 將記錄的粒度細化到了單次調用層級。
當一個多步驟的 Agent 流程在接近尾聲時發生故障，Catalyst 能夠利用其持久化記錄，讓流程從中斷的精確位置恢復，而不需要重新執行之前已經完成的所有模型調用。這種機制有效地解決了重複支付 Token 費用以及重複執行耗時操作的問題。在實作上，開發者只需在應用中加入 Diagrid 的套件，系統便能自動將執行狀態轉化為可恢復的工作流。
安全與信任：基於 Dapr 的加密驗證機制
除了穩定性，Catalyst 2.0 引入了強大的可驗證執行模型，這部分技術源自 Dapr 1.18。為了讓組織能夠獲得 AI Agent 執行過程的證明，Catalyst 採用了一套加密雜湊鏈（Hash Chain）機制。系統會將工作流歷史事件分批進行雜湊處理，並將每個摘要（Digest）與前一個簽名連結，最後使用基於 SPIFFE（一個為工作負載提供標準身分識別的開源框架）的身分證書進行簽名。
這意味著工作流的歷史記錄形成了一條不可篡改的鏈條。當系統加載工作流狀態時，會檢查該鏈條是否完整；任何刪除、重新排序或修改歷史記錄的行為都會被立即偵測到。接收端可以透過 Dapr Sentry 信任錨點驗證這些簽名塊，使得執行歷史可以在產生該紀錄的應用程式之外被獨立驗證。Dapr 將此能力分為歷史記錄簽名、傳播與證明（Attestation）三個維度，確保驗證上下文可以在不同的工作流與服務邊界之間安全傳遞。
實務意義與限制
對於企業而言，這種架構提供了 AI 運作的證據鏈。例如光學製造商 ZEISS Group 已將其用於構建穩定且具韌性的平台，以支持 AI 與傳統工作負載的混合執行。相比於 Temporal 或 Restate 等同樣提供重播或日誌執行機制的工具，Catalyst 的優勢在於它提供了一個統一的恢復與證明模型，且能跨越多個不同的 AI 框架運作。
然而，在導入此技術時，開發者需要注意幾個關鍵限制。首先，加密簽名功能在 Dapr 1.18 中預設是關閉的，且必須依賴 mTLS（雙向傳輸層安全性協定）才能啟動。其次，簽名決定是不可逆的，已在運行中且未簽名的工作流無法追溯簽名，必須在完成或清除後才能啟用。
更重要的是，必須區分加密證明與邏輯正確性：加密驗證只能證明記錄的歷史沒有被篡改，以及執行路徑的真實性，但它無法保證 AI Agent 做出的決策是正確的，也無法保證外部工具返回的數據是精準的。此外，開發者仍需自行處理非冪等（Non-idempotent）工具的重試邏輯，以避免在恢復執行時對外部系統造成重複操作的副作用。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。