蚂蚁密算开源HOP 3.0，用原生语言化解智能体失控难题

在外滩大会上，蚂蚁密算宣布正式开源可信原生AI智能体技术体系 HOP 3.0，向开发者与行业专家开放“智能体原生语言”，推动产业AI智能体从依赖大模型自觉，走向边界明确、过程可控、结果可核验的生产级执行。

蚂蚁密算此前曾开源 HOP 1.0，探索用工程化方式提升大语言模型在金融、医疗等垂直领域的稳定性。此次升级至 3.0 版本，核心是从外挂式的应用框架，演进为以“智能体原生语言”为核心的技术体系。

当前，自主AI智能体在代码编写等任务中表现亮眼，但进入金融、医疗、政务等强监管、高严肃性场景时，常面临三重失控隐患：

1. 人对AI失控：人工复核与干预速度远远赶不上AI的实时生成节奏；
2. AI自身失控：智能体在长链任务中容易跳步、偏离边界，陷入逻辑死循环；
3. 数据失控：上下文缺乏隔离边界，极易引发敏感信息泄漏。

告别割裂：引入智能体原生语言

传统AI智能体架构普遍存在逻辑割裂：业务要求写在自然语言的 Skill（技能）中，实际控制与流程调度则依靠代码 Harness（执行框架）。自然语言难以严谨表达多分支、多角色的复杂流程；而代码框架又过于偏向底层运行，业务专家无法直接审计和修改。

针对该痛点，HOP 3.0 提出了智能体原生语言，将结构化控制逻辑与大模型的模糊推理融入同一套表达体系。

显性结构化逻辑负责划定任务目标、运行边界、数据依赖与核验标准；大模型则在限定的框架内发挥规划与推理能力。这种架构不仅赋予了系统生产级的确定性，还让AI智能体的业务逻辑变成行业专家可阅读、可评审、可调整的结构化资产。

借鉴事务机制：探索、核验与提交分立

HOP 3.0 借鉴了数据库 SQL 事务的 Commit 机制，将“探索—核验—提交”在语言层显式拆分：

• 探索阶段：智能体在完全可逆的沙盒环境中尝试解法，大胆试错；
• 核验阶段：执行结果交由独立规则和模块验证，确保合规；
• 提交阶段：只有通过核验的产物才能进入正式提交环节，诸如删库、删除邮件等不可逆敏感操作被物理隔离在提交之后。

通过这一机制，智能体既能充分释放自主探索能力，又杜绝了破坏真实生产系统的风险。验证成功的探索路径还可沉淀为标准化模版，转化为企业可持续复用的数字资产。

中小模型挑大梁，大幅降低落地成本

长任务的上下文管理、状态转移和核验逻辑转由语言引擎承载后，大模型不再需要独自承受端到端的持续状态控制压力，只需聚焦局部节点的逻辑推理。

蚂蚁密算实测表明，借助 HOP 3.0 架构，参数量约 270 亿的开源模型 Qwen 也能稳定胜任此前需要数千亿甚至万亿参数模型才能处理的复杂任务。在研发流程测试中，结合 HOP 3.0 的普通模型故障率下降约 91.7%，产物完整率与需求一致性达到 100%，平均每个周期的 Token 消耗下降约 13%。

可信原生AI智能体 HOP 配合密态计算技术，形成了“密态计算守住数据底线、HOP 保障智能体可信行为”的闭环，为产业AI由浅层试点走向深水区规模化落地提供了全新解法。

目前，HOP 3.0 已正式在 GitHub 开源发布。