上篇中，我们梳理了 Pulsar 特性在多模态及模型训练中的应用；下篇将聚焦智能体场景。一起来揭秘 Pulsar 如何为智能体场景赋能！

场景五【智能体】

利用 Pulsar 轻量化主题（non-persistent）

解决 AI 应用的异步通信难题

模型迭代日新月异，企业正在积极把 AI 能力嵌入业务流程。然而，企业应用从调用传统微服务应用 API 接口到 调用大模型“生成式”的 API 接口过程中，一个显著的特征是任务处理时耗变得很长，传统微服务应用通常能实现毫秒级响应，而 AI 应用的处理周期跨度极大——从几分钟到数小时不等；

这就意味着原本微服务间的同步调用就不再适用，可将同步调用改为异步通知来解决长耗时的阻塞；改为异步通知后，那又如何能实现同步调用的即时通信呢？可以采取以下模型：

1

Agent1 在启动时注册一个专属于自己的用于接收回包的非持久化 Topic（non-persistent Topic），非持久化 Topic 非常轻量化，数据不落盘存储，生命周期可由 TTL 自动 或人工回收，Agent1 可使用独占消费模型进行消费该 Topic

2

当 Agent1 有长耗时的调用模型请求时，向正常 Topic 发送请求，并由模型处理模块处理；该 Topic 为常规 Topic，具备消息持久化、消息回放、海量积压等队列特性

3

当 LLM 处理模块完成后，根据请求包中的回包地址进行回包投递

基于此模型，可以利用 Pulsar 的 Persistent-topic，将长时耗任务进行异步化处理，利用 Pulsar 的高可用、低延时的特性来保障请求任务的可靠、解耦和削峰填谷；又可以利用 Pulsar 的 Non-Persistent-topic 的轻量化，实现百万级创建，快速回收等能力

Non-persistent Topic：是 Pulsar 的一种 Topic 类型，是“不落盘、纯内存” 的消息通道——数据不会写入磁盘、不会做副本复制，Broker 宕机或进程重启即丢失，因此极致轻量、低延迟，适合“可丢、可重试、要快、要大量”的短时消息场景。

场景六【智能体】

Pulsar 可为事件驱动的智能体提供“新基建”

AI Agent 的概念正在经历一场深刻的变革，从简单的对话式 AI（Chatbot）向复杂的独立实体转变。AI Agent 就是将一个大模型（大脑）和一系列工具（感官与四肢）组装起来，形成的一个能够感知和改变外部环境的智能程序。

以创建一个营销 Agent 为例，采用 ReAct 的模型，Agent 可能首先从 CRM 中提取客户数据，使用 API 收集市场趋势，并在新信息出现时不断调整策略。通过通过记忆保留上下文并迭代查询，Agent 能够生成更准确、更相关的输出。

当外部接口越来越丰富，Agent 需要不断地扩展收集信息来源，包括其他 Agent、工具和外部系统等等，以便做出更精准的决策。

而这，从系统架构设计的角度上讲，就是一个分布式系统问题。这和微服务时代面临的挑战相似，因为在微服务中，各个组件必须高效地进行通信，而不产生瓶颈或僵化的依赖关系。也和微服务架构系统一样，它们的输出不仅仅应该回流到 AI 应用程序中，它们还应该流入其他关键系统，如数据仓库、CRM、CDP 和客户成功平台。所以完全可以将 Agent 理解为：有“大脑”的微服务；

从微服务的架构演进来看，Agent 的未来是事件驱动的，事件驱动的架构需要一个高效的消息中间件作为“基建”，因为消息中间的特性可以很好的匹配事件驱动需要的横向扩展性、低延迟、松耦合、事件持久化等诉求

Pulsar除了以上在消息中间件的优势外，还提供了 Function Mesh 的能力，利用 Function 的能力可以更近一步简化 AI Agent 的架构：

ReAct模式：ReAct（Reasoning and Action）是目前应用最广泛、最经典的 AI Agent 运行模式之一 。其核心思想是模拟人类解决复杂问题的过程，通过一个 “思考（Thought）→ 行动（Action）→ 观察（Observation）”的循环来逐步推进任务 。

Pulsar Function ：Pulsar 提供的轻量级、Serverless 流处理框架，定位是“用写普通函数的代码量，完成 ETL、过滤、聚合、打标签等实时计算”。它把“消息 → 计算 → 消息”的闭环直接跑在 Pulsar 集群内部，简单场景不需要额外部署 Flink、Storm 等重型流处理引擎。

场景七【智能体】

具身智能需要“传感器流 + 任务队列”

在具身智能的场景中，既需要处理传感器读数流（连续、有序的数据），也需要处理独立的指令或任务（这些任务需要独立处理）；

例如：一个机器人 Agent 在处理任务时，首先机器人的视觉或遥测传感器持续发布事件流，这些事件需要按顺序来处理或者来理解当前所处环境的变化；然后当机器人的 AI 决定采取行动，例如“拾取物体”或“导航到位置”时，这些任务会被添加到工作队列中。这些行动消息可能需要多个执行器模块（消费者）会分担这些任务。每个任务消息会被分配给一个执行器，执行器在完成任务后会进行确认。如果任务失败，执行器可以发送负向确认（表示失败），然后另一个实例可以重试。

我们回顾上述的过程，虽然都是利用消息管道进行消息传递，但是这是两种不同的数据类型：

• 类似传感器流，生产者将数据追加到一个无界、有序的日志（即流）中。消费者随后按顺序从这个日志中读取数据，并维护流中的偏移量（offset）。每个分区内的顺序是有保障的，消息在消费时不会被移除，这就是kafka专注的stream（流）场景，它提供了高吞吐量和分区的严格排序，这使得它非常适合处理有序的事件流。

• 类似任务消息，生产者将消息发送到队列，每条消息只由一个消费者处理（即使有多个消费者在监听）。消费者从队列中拉取消息，并在处理完成后确认每条消息，消息随后会从队列中移除。队列擅长分发可以并行处理且无需全局排序要求的任务或工作。这就是RabbitMQ、RocketMQ专注的Queues（消息）场景，专注于每个消费者只处理一条消息，并具备消息重试和死信队列等能力。

然后，在越来越多的 AI 场景，需要两者兼具，因为 AI 代理在实时环境中观测，同时必须执行可靠的操作。这正是 Pulsar 持续专注的方向，将流 + 消息进行融合，Pulsar 原生支持多种消息语义。其灵活的订阅模式（独占、共享、故障转移、键共享）让你能在同一平台上为不同任务选择合适的工具。这意味着系统扩展更少，组件间集成更简单——这对复杂的 AI 代理架构来说是一个很大的优势。

Pulsar 的流（Streaming）和消息（Messaging）场景结合，通过 Key-shard（键共享）、Failover（故障转移）、Exclusive（独占）、Shared（共享）四种订阅模式来实现

参考：

1. https://huggingface.co/spaces/nanotron/ultrascale-playbook

2. https://seanfalconer.medium.com/the-future-of-ai-agents-is-event-driven-9e25124060d6

3. https://www.linkedin.com/pulse/kafkas-role-powering-next-wave-event-driven-agentic-ai-jeyaraman-xq0kc

4. https://mp.weixin.qq.com/s/4pIAZqH01Ib_OGGGD9OWQg

5. https://streamnative.io/blog/streams-vs-queues-why-your-agents-need-both--and-why-pulsar-protocol-delivers

6. https://dzone.com/articles/agentic-ai-using-apache-kafka-as-event-broker-with-agent2agent-protocol

7. https://mp.weixin.qq.com/s?__biz=MjM5MDE0Mjc4MA==&mid=2651248787&idx=2&sn=b2bc09cebce5296ba7d7b5cab1b4c76a&poc_token=HMD7OmmjPWSU8S4Wv17TfFVZvOZepoGlcSeCHT0I

Apache Pulsar 作为一个高性能、分布式的发布-订阅消息系统，正在全球范围内获得越来越多的关注和应用。如果你对分布式系统、消息队列或流处理感兴趣，欢迎加入我们！

Github: 

https://github.com/apache/pulsar

扫码加入 Pulsar 社区交流群

最佳实践

互联网

腾讯BiFang | 腾讯云 | 微信 | 腾讯 | BIGO | 360 | 滴滴  | 腾讯互娱 | 腾讯游戏 | vivo | 科大讯飞 | 新浪微博 | 金山云 | STICORP | 雅虎日本 | Nutanix Beam | 智联招聘 | 达达 | 小红书

金融/计费

腾讯计费 | 平安证券 | 拉卡拉 | Qraft | 甜橙金融 

电商

Flipkart | 谊品生鲜 | Narvar | Iterable 

机器学习

腾讯Angel PowerFL | Discord

物联网/芯片制造

应用材料｜云兴科技智慧城市 | 科拓停车 | 华为云 | 清华大学能源互联网创新研究院 | 涂鸦智能

通信

江苏移动 | 移动云 

教育

网易有道 | 传智教育

推荐阅读

免费可视化集群管控 | 资料合集 | 实现原理 | BookKeeper储存架构解析 | Pulsar运维 | MQ设计精要 | Pulsar vs Kafka | 从RabbitMQ 到 Pulsar | 内存使用原理 | 从Kafka到Pulsar | 跨地域复制 | Spring + Pulsar | Doris + Pulsar | SpringBoot + Pulsar