openJiuwen：打造自演進(jìn)、多智能體原生、算力親和的AgentOS

機(jī)器之心發(fā)布

近期，我們注意到 openJiuwen 社區(qū)持續(xù)獲得國際關(guān)注，先后登上多家海外科技媒體。亞太頭部科技媒體Tech in Asia專題報(bào)道了 openJiuwen 先進(jìn)的架構(gòu)設(shè)計(jì)理念 [1]；國際權(quán)威 AI 科技媒體MarkTechPost (MTP)則深度解析了基于 openJiuwen 構(gòu)建的 JiuwenClaw 智能體，重點(diǎn)解讀了其自主演進(jìn)、動(dòng)態(tài)任務(wù)規(guī)劃等技術(shù)亮點(diǎn) [2]。兩大國際媒體的相繼報(bào)道，體現(xiàn)了 openJiuwen 的技術(shù)能力已獲得國際科技領(lǐng)域的關(guān)注與認(rèn)可。

當(dāng)前 AI Agent 正從演示場景走向規(guī)模化落地，但在算力效率、運(yùn)行穩(wěn)定性、安全可控及多智能體協(xié)同等方面仍面臨諸多瓶頸。在此背景下，openJiuwen 面向智能體落地痛點(diǎn)，打造企業(yè)級(jí)高可靠、自演進(jìn)、多智能體原生、算力親和的 AgentOS，為 AI Agent 規(guī)模化應(yīng)用提供關(guān)鍵支撐。

Agent 規(guī)模落地生產(chǎn)

需要操作系統(tǒng)級(jí)別的變革

隨著大模型技術(shù)的不斷發(fā)展深化，AI Agents 這類能夠理解目標(biāo)、任務(wù)規(guī)劃、深度思考、調(diào)用工具、反思驗(yàn)證的模式成為人工智能走向落地的關(guān)鍵應(yīng)用形態(tài)，并正在加速規(guī)模化落地，也帶來了巨大的機(jī)遇和挑戰(zhàn)。Nature 雜志報(bào)導(dǎo)了 “Moore’s Law for AI agents”，指出 Agent 應(yīng)用的復(fù)雜度正以每 7 個(gè)月翻一番的指數(shù)級(jí)速度發(fā)展，這不僅帶來了澎湃的算力需求，也預(yù)示了巨大的技術(shù)挑戰(zhàn)。

首先，Agent 在復(fù)雜任務(wù)執(zhí)行過程中常伴隨大量上下文堆積與重復(fù)推理，導(dǎo)致Token 消耗大、運(yùn)行成本高，制約其規(guī)模化落地。其次，安全與可控性問題突出，權(quán)限管控不足、工具調(diào)用風(fēng)險(xiǎn)較高、執(zhí)行過程缺乏有效約束，使其在實(shí)際場景中的可信度與可控性有待提升。

同時(shí)，在多步驟、長鏈路、動(dòng)態(tài)變化的復(fù)雜任務(wù)中，Agent 任務(wù)成功率仍然偏低，穩(wěn)定性與魯棒性不足。長時(shí)運(yùn)行缺乏可靠保障，易出現(xiàn)執(zhí)行中斷、邏輯漂移、狀態(tài)遺忘和能力失效等問題。尤其在多 Agent 協(xié)同場景下，智能體間的一致性、完整性和協(xié)作可信更缺乏系統(tǒng)性保障，難以滿足企業(yè)級(jí)高可靠、高可控的應(yīng)用要求。

最后，當(dāng)前 AI 算力基礎(chǔ)設(shè)施成本居高不下，模型推理服務(wù)、超節(jié)點(diǎn)集群等大規(guī)模設(shè)施部署與運(yùn)行開銷巨大。Agent 的負(fù)載兼具通用計(jì)算、智能計(jì)算以及網(wǎng)絡(luò)、存儲(chǔ)等多維需求，資源消耗模式復(fù)雜，如何讓這類智能體在昂貴的算力設(shè)施上高效運(yùn)行、降低整體使用成本，已成為關(guān)鍵挑戰(zhàn)。

面對 AI Agents 獨(dú)特的負(fù)載與算力需求，以及大規(guī)模算力基礎(chǔ)設(shè)施的快速演進(jìn)，需要有一個(gè)‘AgentOS’作為中間銜接層，既能管理好底層的基礎(chǔ)設(shè)施，也能有效支撐 Agent 的運(yùn)行開發(fā)。openJiuwen 正是承擔(dān)這個(gè)角色的 ‘AgentOS’，聚焦 AI Agent 規(guī)模化落地的核心痛點(diǎn)，致力于打造安全可信、高效穩(wěn)定的智能體運(yùn)行與協(xié)同底座，為 Agent 提供統(tǒng)一任務(wù)調(diào)度、上下文管理、自主演進(jìn)、權(quán)限治理、長時(shí)運(yùn)行保障及多 Agent 協(xié)同能力，助力企業(yè)和開發(fā)者跨越 “可演示” 到 “可生產(chǎn)” 的關(guān)鍵門檻，加速 AI Agent 規(guī)模化落地。

openJiuwen as the AgentOS

openJiuwen 以 Agent 應(yīng)用負(fù)載為核心服務(wù)對象，南向親和模型和算力基礎(chǔ)設(shè)施，北向使能各類智能體，其生態(tài)定位即為 AgentOS。

• openJiuwen 官網(wǎng)：https://www.openJiuwen.com/
• AtomGit：https://gitcode.com/openJiuwen
• GitHub：https://github.com/openJiuwen-ai

同時(shí)，openJiuwen 提出“CLI as New POSIX, Skill as New Library, Agent as New Service”三大設(shè)計(jì)理念，并以此為指引構(gòu)建了完整的總體架構(gòu)。

AgentOS 總體架構(gòu)圖

Agent System Service — CLI as New POSIX

AgentOS 原子化系統(tǒng)服務(wù)借鑒 POSIX 對進(jìn)程系統(tǒng)調(diào)用的標(biāo)準(zhǔn)化，定義了智能體時(shí)代全新系統(tǒng)原語：感知（perceive）、規(guī)劃（reason）、行動(dòng)（act）、記憶存儲(chǔ)（memory store）、隔離（sandbox）。遵循該規(guī)范的 Agent 均可實(shí)現(xiàn)跨場景、跨設(shè)備統(tǒng)一運(yùn)行。該層同時(shí)支持 Agentic UI 動(dòng)態(tài)生成，可依據(jù)用戶身份、任務(wù)上下文與設(shè)備類型實(shí)時(shí)渲染界面，提供個(gè)性化交互體驗(yàn)。

Agent Distributed Runtime — Agent as New Service

微服務(wù)架構(gòu)讓應(yīng)用走向分布式協(xié)同，而 Agent Distributed Runtime 則讓智能體實(shí)現(xiàn)分布式協(xié)同。各 Agent 職責(zé)單一、接口標(biāo)準(zhǔn)、可獨(dú)立部署，通過 Intent Router 進(jìn)行語義路由，并由 Orchestrator 完成動(dòng)態(tài)編排。該層依托智能體注冊發(fā)現(xiàn)、跨節(jié)點(diǎn)通信、分布式狀態(tài)管理與多租戶隔離能力，構(gòu)建可治理的分布式智能體網(wǎng)格（Agent Mesh），支撐企業(yè)級(jí)大規(guī)模 Agent 并發(fā)運(yùn)行。

Agent Framework — Skill as New Library

正如編程語言標(biāo)準(zhǔn)庫助力開發(fā)者高效開發(fā)，Agent Framework 讓 Agent 開發(fā)者可復(fù)用已沉淀的智能能力。Skill 作為封裝完備的可復(fù)用 Agent 能力單元，支持版本管理、依賴聲明、權(quán)限聲明及自動(dòng)化測試；該框架提供 Agent 協(xié)議、ReAct 執(zhí)行引擎、上下文與記憶管理、Agent 護(hù)欄、Skill 引擎，以及基于執(zhí)行反饋的 Agent 自演進(jìn)等能力。

開箱即用的通用 Agents，系統(tǒng)性能 Turbo Skills + Skill Inventory

AgentOS 開箱即提供面向企業(yè)、個(gè)人及設(shè)備控制的通用 Agents，同時(shí)內(nèi)置可提升系統(tǒng)性能的 Turbo Skills。Skill Inventory 作為智能體生態(tài)分發(fā)平臺(tái)，支持官方、廠商、社區(qū)及私有 Skill 的統(tǒng)一上傳、審核、發(fā)布與安裝，實(shí)現(xiàn)開發(fā)者一鍵獲取能力、Skill 貢獻(xiàn)者觸達(dá)全生態(tài)用戶。

openJiuwen as AgentOS 的主要特征

算力親和：降時(shí)延、提吞吐、省 Token

在 AgentOS 的設(shè)計(jì)范式中，算力親和是實(shí)現(xiàn)系統(tǒng)級(jí)超高性能的基石。為了最大化釋放算力潛能，openJiuwen 向上承接各種 Agent 應(yīng)用的高并發(fā)請求與復(fù)雜任務(wù)編排，向下與底層硬件實(shí)施深度的軟硬協(xié)同。

在智能計(jì)算協(xié)同方面，openJiuwen 與 NPU 等 AI 算力搭建了主動(dòng)親和機(jī)制。當(dāng) Agent 長時(shí)運(yùn)行時(shí)，上下文會(huì)頻繁壓縮 / 卸載 / 切換 Skills，導(dǎo)致推理引擎中存在大量失效的 KV Cache，侵占有效緩存空間，降低緩存命中率，進(jìn)而影響 Agent 運(yùn)行時(shí)延。openJiuwen 在 Agent Framework 核心層，通過 Agent 上下文動(dòng)態(tài)感知協(xié)同、NPU 親和緩存調(diào)度，提升 KV Cache 整體利用率，保障 Agent 長時(shí)運(yùn)行與高頻上下文變動(dòng)場景下的極致響應(yīng)，降低 Agent 時(shí)延 30%。

在通用計(jì)算與系統(tǒng)調(diào)度層面，openJiuwen 與 CPU 構(gòu)筑了穩(wěn)固的底座。傳統(tǒng) OS 以進(jìn)程 / 線程為對象設(shè)計(jì)調(diào)度策略，面向 Agent 超長調(diào)用鏈路負(fù)載時(shí)這些策略易引發(fā)無序資源供給，從而導(dǎo)致 Agent 性能波動(dòng)和時(shí)延不可控。openJiuwen 在 Agent System Service 核心層，與 CPU 感知調(diào)度能力協(xié)同，基于 Agent 業(yè)務(wù)流將進(jìn)程 / 線程無序調(diào)度轉(zhuǎn)變成有序全流程協(xié)同調(diào)度，提升 E2E 吞吐 20%。

系統(tǒng)級(jí) Turbo Skills，賦能全生態(tài)高效開發(fā)

從 AgentOS 的角度，Skill 就是新的 Library。當(dāng)前的 Skill 還遠(yuǎn)遠(yuǎn)不夠，如何把系統(tǒng)的底層優(yōu)化能力作為 Skill 提供給 Agent 開發(fā)者使用，幫助他們開發(fā)出功能全面、性能領(lǐng)先的 Agent 是一個(gè)新的課題，我們把這一方式抽象為 “系統(tǒng)性能 Turbo Skills”。

例如，面向云與數(shù)據(jù)中心復(fù)雜運(yùn)維場景，openJiuwen 能夠預(yù)置各類高效運(yùn)維 Skills。指標(biāo)采集 Skill 實(shí)時(shí)監(jiān)控主動(dòng)感知問題，細(xì)粒度指標(biāo)動(dòng)態(tài)觸發(fā)采集，分鐘級(jí)檢測 AI 慢節(jié)點(diǎn)并溯源，識(shí)別準(zhǔn)確率 80%；故障檢測 Skill 動(dòng)態(tài)感知系統(tǒng)拓?fù)洌嘣慈罩緟f(xié)同關(guān)聯(lián)故障節(jié)點(diǎn)，實(shí)現(xiàn)內(nèi)存故障小時(shí)級(jí)定位，準(zhǔn)確度 > 80%；調(diào)優(yōu) Skill 動(dòng)態(tài)識(shí)別環(huán)境拓?fù)浜蜆I(yè)務(wù)拓?fù)洌Y(jié)合通算 + 智算芯片親和領(lǐng)域模型和參數(shù) / 策略關(guān)系知識(shí)庫，實(shí)現(xiàn)系統(tǒng)自動(dòng)參數(shù) / 策略尋優(yōu)，提升專家優(yōu)化效率。

長時(shí)確定性運(yùn)行，消融不確定性，走向低熵

在企業(yè)級(jí)復(fù)雜 Agent 任務(wù)中，核心矛盾是LLM 推理的無狀態(tài)性與長時(shí)任務(wù)對持續(xù)狀態(tài)一致性的剛性需求之間存在根本沖突—— 每一次推理調(diào)用結(jié)束后，Agent 的 "記憶" 即刻消亡，而企業(yè)級(jí)工作流卻要求系統(tǒng)在數(shù)天乃至數(shù)周的執(zhí)行跨度內(nèi)保持語義連貫與行為確定性。openJiuwen 圍繞這一系統(tǒng)性難題，構(gòu)建了如下核心技術(shù)能力：

分層記憶與上下文管理。長時(shí)運(yùn)行 Agent 面臨的首要瓶頸是上下文窗口的 "爆炸" 問題。即便模型支持百萬級(jí)上下文窗口，系統(tǒng)提示、工具輸出等信息的累積也會(huì)迅速填滿上下文空空間，不僅如此，大量無關(guān)的信息，會(huì)帶來模型注意力稀釋、模型幻覺等問題，給系統(tǒng)注入更多的不確定性。openJiuwen 圍繞企業(yè)數(shù)據(jù)、交互摘要、工具調(diào)用日志等多模態(tài)數(shù)據(jù)，構(gòu)建多層知識(shí)圖譜與雙時(shí)間軸建模體系，實(shí)現(xiàn)記憶的智能提取、按需失效與動(dòng)態(tài)重排序，支撐 Agent 在長時(shí)任務(wù)中高效、精準(zhǔn)地獲取領(lǐng)域知識(shí)，避免上下文冗余與噪聲累積。另一方面，當(dāng) Agent 需要回溯或分支執(zhí)行時(shí)，系統(tǒng)通過上下文裁剪與重置算法識(shí)別最小必要上下文集合，進(jìn)一步抑制模型注意力稀釋、幻覺等問題，消減系統(tǒng)不確定性。

使能長時(shí)確定性運(yùn)行的另一個(gè)關(guān)鍵技術(shù)是 Agent 對自身執(zhí)行過程的反思與糾偏能力。在長時(shí)任務(wù)的漫長執(zhí)行鏈路中，執(zhí)行偏差的累積效應(yīng)會(huì)逐步放大，若缺乏系統(tǒng)化的自檢機(jī)制，Agent 的行為將不可避免地偏離預(yù)期目標(biāo)。openJiuwen 在分布式引擎中構(gòu)建了雙通道驗(yàn)證架構(gòu)，將 LLM 的 "快思考" 概率推理與形式化方法的 "慢驗(yàn)證" 確定性校驗(yàn)相結(jié)合，在運(yùn)行時(shí)將校驗(yàn)結(jié)果反饋給 Agent，引導(dǎo)其在受限搜索空間內(nèi)重新規(guī)劃。這一 "執(zhí)行 — 驗(yàn)證 — 修復(fù)" 的閉環(huán)機(jī)制，使 openJiuwen 在概率性之上構(gòu)建起確定性保障。

分布式狀態(tài)管理與 Agent 互聯(lián)，使能可靠高效運(yùn)行

大規(guī)模、高并發(fā)、高吞吐是 Agent 應(yīng)用運(yùn)行的重要需求，分布式狀態(tài)管理是保障企業(yè)級(jí)大規(guī)模 Agent 任務(wù)可靠運(yùn)行的基石。Agent 任務(wù)天然是有狀態(tài)的，比如長程任務(wù)的執(zhí)行進(jìn)度，各個(gè)節(jié)點(diǎn) Agent 執(zhí)行狀態(tài)等等，一旦這些執(zhí)行狀態(tài)丟失或出現(xiàn)不一致，任務(wù)鏈逐級(jí)放大。openJiuwen 的分布式運(yùn)行時(shí)，將 Agent 運(yùn)行狀態(tài)實(shí)時(shí)分布式備份，一旦節(jié)點(diǎn)故障自動(dòng)重建實(shí)例并恢復(fù)正確的內(nèi)部運(yùn)行狀態(tài)，實(shí)現(xiàn)斷點(diǎn)續(xù)跑，確保 Agent 故障恢復(fù)前后語義一致無副作用，有效防止 Agent 因推理錯(cuò)誤或系統(tǒng)崩潰而在外部系統(tǒng)中留下不一致狀態(tài)。

在 Agent Team 場景中，多 Agent 系統(tǒng)需在異構(gòu)單元間建立高效的發(fā)現(xiàn)與互聯(lián)協(xié)議，實(shí)現(xiàn)從單點(diǎn)執(zhí)行到群體智能的升級(jí)，支撐復(fù)雜場景高效協(xié)作與全局優(yōu)化。

原生自演進(jìn)框架：全鏈路自主演進(jìn)，越用越好用

構(gòu)建閉環(huán)、可自主迭代的自演進(jìn)能力，是 Agent 突破能力上限、實(shí)現(xiàn)從被動(dòng)響應(yīng)到主動(dòng)進(jìn)化的核心支撐。在企業(yè)級(jí)復(fù)雜場景與規(guī)模化落地過程中， openJiuwen 僅依靠靜態(tài)配置、人工調(diào)優(yōu)難以滿足 Agent 能力持續(xù)升級(jí)與規(guī)模化適配，執(zhí)行偏差、能力固化、經(jīng)驗(yàn)無法沉淀等問題直接制約智能體的持續(xù)進(jìn)化與生態(tài)擴(kuò)展。

openJiuwen 基于原生自演進(jìn)架構(gòu)，支持提示詞自動(dòng)優(yōu)化與上下文經(jīng)驗(yàn)沉淀。通過對 Agent 運(yùn)行中產(chǎn)生的 bad case 進(jìn)行軌跡分析，采用「文本梯度」機(jī)制對提示詞進(jìn)行自動(dòng)化、非隨機(jī)、具備梯度意義的持續(xù)優(yōu)化；同時(shí)在任務(wù)執(zhí)行后反思軌跡、提煉結(jié)構(gòu)化經(jīng)驗(yàn)，不斷進(jìn)化經(jīng)驗(yàn)庫，將任務(wù)執(zhí)行轉(zhuǎn)化過程為可復(fù)用的長期經(jīng)驗(yàn)。

openJiuwen 依托工具與 Skills 自演進(jìn)，實(shí)現(xiàn) Agent 可用能力的實(shí)時(shí)迭代升級(jí)。基于 Agent 執(zhí)行異常與用戶糾錯(cuò)兩種信號(hào)，將實(shí)際使用問題實(shí)時(shí)轉(zhuǎn)化為 Skills 的改進(jìn)輸入，驅(qū)動(dòng)工具與 Skill 持續(xù)迭代更新，讓技能從靜態(tài)文檔轉(zhuǎn)變?yōu)榭刹粩噙M(jìn)化的活文檔。openJiuwen 這套自演進(jìn)體系讓 Agent “每次使用都是一次有效訓(xùn)練”，從而實(shí)現(xiàn) Agent 端到端的全鏈路自主演進(jìn)，低成本、高效率地提升智能體執(zhí)行效果。

安全可信，構(gòu)建 Agent 全棧縱深防御體系

為保障 AI Agent 在企業(yè)環(huán)境中的安全落地，基于縱深防御理念構(gòu)建 openJiuwen 的六層安全防護(hù)，確保 Agent 執(zhí)行全鏈路安全可信：

身份認(rèn)證：支持對接企業(yè)內(nèi)部統(tǒng)一認(rèn)證和授權(quán)系統(tǒng)，將用戶身份與 Agent 身份綁定，確保業(yè)務(wù)僅對合法授權(quán)主體開放。

權(quán)限管控：支持基于用戶意圖 + 任務(wù)上下文的細(xì)粒度權(quán)限控制，根據(jù)任務(wù)內(nèi)容動(dòng)態(tài)生成權(quán)限清單，實(shí)現(xiàn)按需最小化授權(quán)。

行為檢測：多層安全護(hù)欄覆蓋 Agent 輸入輸出、規(guī)劃執(zhí)行與外部交互全鏈路，保障 Agent 在用戶誤操作、模型輸出偏離預(yù)期以及外部間接注入等異常干擾下仍能保持行為安全可控。

簽名校驗(yàn)：基于密碼學(xué)校驗(yàn)，將信任鏈從 OS 延展到 Agent 執(zhí)行中的每一個(gè) Skill 和每一次工具調(diào)用，確保 Agent 運(yùn)行環(huán)境完整可信。

隔離運(yùn)行：Agent 安全沙箱支持進(jìn)程、文件、網(wǎng)絡(luò)資源精細(xì)隔離，保障工具及 Skill 在明確安全邊界內(nèi)運(yùn)行，實(shí)現(xiàn)系統(tǒng)安全穩(wěn)定運(yùn)行。

審計(jì)運(yùn)營：構(gòu)建全鏈路運(yùn)行日志記錄與異常行為追蹤分析能力，實(shí)現(xiàn) Agent 行為可觀測與可追溯，滿足企業(yè)級(jí)安全合規(guī)審計(jì)與常態(tài)化安全運(yùn)營要求 。

結(jié)語

未來，openJiuwen 社區(qū)將繼續(xù)秉持開源精神，與全球開發(fā)者、算力供應(yīng)廠商、行業(yè)伙伴攜手，助力全球 Agentic AI 產(chǎn)業(yè)發(fā)展，共創(chuàng)智能體時(shí)代新生態(tài)！

• openJiuwen 官網(wǎng)：https://www.openJiuwen.com/
• AtomGit：https://gitcode.com/openJiuwen
• GitHub：https://github.com/openJiuwen-ai

[1] Tech in Asia 《openJiuwen community launches new agent: JiuwenClaw – focused on self-evolution and task management》：https://www.techinasia.com/openjiuwen-community-launches-agent-jiuwenclaw-focused-selfevolution-task-management

[2] MarkTechPost《Not Just Understanding, But Evolving: The All-New Self-Evolving JiuwenClaw Makes Its Debut》：https://www.marktechpost.com/2026/03/27/openjiuwen-community-releases-jiuwenclaw-a-self-evolving-ai-agent-for-task-management/