北京
每隔半小時，一段程序就自動跑起來，悄悄訪問幾個微服務的接口。它不問業務邏輯，只盯著返回的JSON長得什么樣——有哪些字段、是什么類型、有沒有嵌套。第一次跑的時候，它只是安靜地把“初始樣貌”記下來。第二次跑，如果發現多了字段，就標個低風險。如果少了字段、名字變了、類型改了，立刻發出高能預警。更有意思的是，我給它幾次反饋之后，它竟然不需要我再說話，自己就能認出“這個刪法八成會炸”。這不是科幻，是我提交給Hermes Agent挑戰賽的一件作品，它叫Drift Detective。
Drift Detective的核心是把Hermes Agent變成一個API合約的變異追蹤器。它不是包裝在大模型外面的一層皮，而是真正用到了Hermes的五個能力：自定義MCP服務器扛起核心引擎，定時調度器循環探測，持久化存儲記住一切，記憶模塊累積模式，多通道報告把結果推送到你能看到的地方。我一開始就想解決一個問題：微服務越來越多，接口默默變化時，靠人盯著文檔根本來不及。
整個系統跑在一個Python 3.11+的環境里。探測部分用httpx發請求，抓回來的響應不是我肉眼看的，而是把JSON的結構信息抽出來——字段名、類型、嵌套深度，該存的全存進SQLite。MCP服務器通過標準輸入輸出協議和Hermes Agent對話，對外暴露五個工具：探測端點、列出所有注冊端點、獲取漂移歷史、記錄裁決、獲取學習到的模式。其中記錄裁決這個動作，就是把人的判斷喂給機器：“這個變更是安全的”“那個變更是破壞性的”，打上標簽。
Demo環節我搭了一個本地API，分四個階段展示學習曲線。第一個階段，Agent先躺平觀察，摸清三個端點/api/users、/api/payments、/api/health的響應形狀，這就是基線。第二階段我在服務端加了新字段，Agent探測后標成低緊急度的“新增漂移”，我把它們全標為“安全”，告訴它這種加法沒事。第三階段我開始搞破壞：重命名字段、直接刪掉字段。Agent立刻標出高緊急度的“破壞性漂移”，我再補上“破壞”標簽。真正的轉折在第四階段：我繼續刪除字段，這回Agent不等我開口，直接預測“可能造成破壞”——它從第三階段我的反饋里學會了刪除模式。
這種變化感知的質量提升是肉眼可見的。第一次探測的警報還比較機械，只是比較形狀差異，誤報可能性高。但經過幾個“安全/破壞”判定循環后，同樣的新增行為在不同服務上開始被區別對待。支付服務的可空字段增加總是被判安全，認證服務里任何字段改名會被認定破壞下游。這里面沒有一行規則是我手動寫的，完全是Agent根據存儲的學習模式推理出來的。
支撐這套學習機制的基礎架構其實很樸素。定時調度器默認每30分鐘觸發一次，所有注冊端點全掃一遍，有變化就自動對比。報告通道可以走Telegram，也可以走Discord，甚至任何你和Agent對話的界面。常態下的巡檢根本不需要人盯著，只有出現需要確認的變更時才會找你。這樣一來，人的注意力只
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
