openJiuwen：打造自演進、多智能體原生、算力親和的AgentOS

機器之心發布

近期，我們注意到 openJiuwen 社區持續獲得國際關注，先后登上多家海外科技媒體。亞太頭部科技媒體Tech in Asia專題報道了 openJiuwen 先進的架構設計理念 [1]；國際權威 AI 科技媒體MarkTechPost (MTP)則深度解析了基于 openJiuwen 構建的 JiuwenClaw 智能體，重點解讀了其自主演進、動態任務規劃等技術亮點 [2]。兩大國際媒體的相繼報道，體現了 openJiuwen 的技術能力已獲得國際科技領域的關注與認可。

當前 AI Agent 正從演示場景走向規模化落地，但在算力效率、運行穩定性、安全可控及多智能體協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，打造企業級高可靠、自演進、多智能體原生、算力親和的 AgentOS，為 AI Agent 規模化應用提供關鍵支撐。

Agent 規模落地生產

需要操作系統級別的變革

隨著大模型技術的不斷發展深化，AI Agents 這類能夠理解目標、任務規劃、深度思考、調用工具、反思驗證的模式成為人工智能走向落地的關鍵應用形態，并正在加速規模化落地，也帶來了巨大的機遇和挑戰。Nature 雜志報導了 “Moore’s Law for AI agents”，指出 Agent 應用的復雜度正以每 7 個月翻一番的指數級速度發展，這不僅帶來了澎湃的算力需求，也預示了巨大的技術挑戰。

首先，Agent 在復雜任務執行過程中常伴隨大量上下文堆積與重復推理，導致Token 消耗大、運行成本高，制約其規模化落地。其次，安全與可控性問題突出，權限管控不足、工具調用風險較高、執行過程缺乏有效約束，使其在實際場景中的可信度與可控性有待提升。

同時，在多步驟、長鏈路、動態變化的復雜任務中，Agent 任務成功率仍然偏低，穩定性與魯棒性不足。長時運行缺乏可靠保障，易出現執行中斷、邏輯漂移、狀態遺忘和能力失效等問題。尤其在多 Agent 協同場景下，智能體間的一致性、完整性和協作可信更缺乏系統性保障，難以滿足企業級高可靠、高可控的應用要求。

最后，當前 AI 算力基礎設施成本居高不下，模型推理服務、超節點集群等大規模設施部署與運行開銷巨大。Agent 的負載兼具通用計算、智能計算以及網絡、存儲等多維需求，資源消耗模式復雜，如何讓這類智能體在昂貴的算力設施上高效運行、降低整體使用成本，已成為關鍵挑戰。

面對 AI Agents 獨特的負載與算力需求，以及大規模算力基礎設施的快速演進，需要有一個‘AgentOS’作為中間銜接層，既能管理好底層的基礎設施，也能有效支撐 Agent 的運行開發。openJiuwen 正是承擔這個角色的 ‘AgentOS’，聚焦 AI Agent 規模化落地的核心痛點，致力于打造安全可信、高效穩定的智能體運行與協同底座，為 Agent 提供統一任務調度、上下文管理、自主演進、權限治理、長時運行保障及多 Agent 協同能力，助力企業和開發者跨越 “可演示” 到 “可生產” 的關鍵門檻，加速 AI Agent 規模化落地。

openJiuwen as the AgentOS

openJiuwen 以 Agent 應用負載為核心服務對象，南向親和模型和算力基礎設施，北向使能各類智能體，其生態定位即為 AgentOS。

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

同時，openJiuwen 提出“CLI as New POSIX, Skill as New Library, Agent as New Service”三大設計理念，并以此為指引構建了完整的總體架構。

AgentOS 總體架構圖

Agent System Service — CLI as New POSIX

AgentOS 原子化系統服務借鑒 POSIX 對進程系統調用的標準化，定義了智能體時代全新系統原語：感知（perceive）、規劃（reason）、行動（act）、記憶存儲（memory store）、隔離（sandbox）。遵循該規范的 Agent 均可實現跨場景、跨設備統一運行。該層同時支持 Agentic UI 動態生成，可依據用戶身份、任務上下文與設備類型實時渲染界面，提供個性化交互體驗。

Agent Distributed Runtime — Agent as New Service

微服務架構讓應用走向分布式協同，而 Agent Distributed Runtime 則讓智能體實現分布式協同。各 Agent 職責單一、接口標準、可獨立部署，通過 Intent Router 進行語義路由，并由 Orchestrator 完成動態編排。該層依托智能體注冊發現、跨節點通信、分布式狀態管理與多租戶隔離能力，構建可治理的分布式智能體網格（Agent Mesh），支撐企業級大規模 Agent 并發運行。

Agent Framework — Skill as New Library

正如編程語言標準庫助力開發者高效開發，Agent Framework 讓 Agent 開發者可復用已沉淀的智能能力。Skill 作為封裝完備的可復用 Agent 能力單元，支持版本管理、依賴聲明、權限聲明及自動化測試；該框架提供 Agent 協議、ReAct 執行引擎、上下文與記憶管理、Agent 護欄、Skill 引擎，以及基于執行反饋的 Agent 自演進等能力。

開箱即用的通用 Agents，系統性能 Turbo Skills + Skill Inventory

AgentOS 開箱即提供面向企業、個人及設備控制的通用 Agents，同時內置可提升系統性能的 Turbo Skills。Skill Inventory 作為智能體生態分發平臺，支持官方、廠商、社區及私有 Skill 的統一上傳、審核、發布與安裝，實現開發者一鍵獲取能力、Skill 貢獻者觸達全生態用戶。

openJiuwen as AgentOS 的主要特征

算力親和：降時延、提吞吐、省 Token

在 AgentOS 的設計范式中，算力親和是實現系統級超高性能的基石。為了最大化釋放算力潛能，openJiuwen 向上承接各種 Agent 應用的高并發請求與復雜任務編排，向下與底層硬件實施深度的軟硬協同。

在智能計算協同方面，openJiuwen 與 NPU 等 AI 算力搭建了主動親和機制。當 Agent 長時運行時，上下文會頻繁壓縮 / 卸載 / 切換 Skills，導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，進而影響 Agent 運行時延。openJiuwen 在 Agent Framework 核心層，通過 Agent 上下文動態感知協同、NPU 親和緩存調度，提升 KV Cache 整體利用率，保障 Agent 長時運行與高頻上下文變動場景下的極致響應，降低 Agent 時延 30%。

在通用計算與系統調度層面，openJiuwen 與 CPU 構筑了穩固的底座。傳統 OS 以進程 / 線程為對象設計調度策略，面向 Agent 超長調用鏈路負載時這些策略易引發無序資源供給，從而導致 Agent 性能波動和時延不可控。openJiuwen 在 Agent System Service 核心層，與 CPU 感知調度能力協同，基于 Agent 業務流將進程 / 線程無序調度轉變成有序全流程協同調度，提升 E2E 吞吐 20%。

系統級 Turbo Skills，賦能全生態高效開發

從 AgentOS 的角度，Skill 就是新的 Library。當前的 Skill 還遠遠不夠，如何把系統的底層優化能力作為 Skill 提供給 Agent 開發者使用，幫助他們開發出功能全面、性能領先的 Agent 是一個新的課題，我們把這一方式抽象為 “系統性能 Turbo Skills”。

例如，面向云與數據中心復雜運維場景，openJiuwen 能夠預置各類高效運維 Skills。指標采集 Skill 實時監控主動感知問題，細粒度指標動態觸發采集，分鐘級檢測 AI 慢節點并溯源，識別準確率 80%；故障檢測 Skill 動態感知系統拓撲，多源日志協同關聯故障節點，實現內存故障小時級定位，準確度 > 80%；調優 Skill 動態識別環境拓撲和業務拓撲，結合通算 + 智算芯片親和領域模型和參數 / 策略關系知識庫，實現系統自動參數 / 策略尋優，提升專家優化效率。

長時確定性運行，消融不確定性，走向低熵

在企業級復雜 Agent 任務中，核心矛盾是LLM 推理的無狀態性與長時任務對持續狀態一致性的剛性需求之間存在根本沖突—— 每一次推理調用結束后，Agent 的 "記憶" 即刻消亡，而企業級工作流卻要求系統在數天乃至數周的執行跨度內保持語義連貫與行為確定性。openJiuwen 圍繞這一系統性難題，構建了如下核心技術能力：

分層記憶與上下文管理。長時運行 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上下文窗口，系統提示、工具輸出等信息的累積也會迅速填滿上下文空空間，不僅如此，大量無關的信息，會帶來模型注意力稀釋、模型幻覺等問題，給系統注入更多的不確定性。openJiuwen 圍繞企業數據、交互摘要、工具調用日志等多模態數據，構建多層知識圖譜與雙時間軸建模體系，實現記憶的智能提取、按需失效與動態重排序，支撐 Agent 在長時任務中高效、精準地獲取領域知識，避免上下文冗余與噪聲累積。另一方面，當 Agent 需要回溯或分支執行時，系統通過上下文裁剪與重置算法識別最小必要上下文集合，進一步抑制模型注意力稀釋、幻覺等問題，消減系統不確定性。

使能長時確定性運行的另一個關鍵技術是 Agent 對自身執行過程的反思與糾偏能力。在長時任務的漫長執行鏈路中，執行偏差的累積效應會逐步放大，若缺乏系統化的自檢機制，Agent 的行為將不可避免地偏離預期目標。openJiuwen 在分布式引擎中構建了雙通道驗證架構，將 LLM 的 "快思考" 概率推理與形式化方法的 "慢驗證" 確定性校驗相結合，在運行時將校驗結果反饋給 Agent，引導其在受限搜索空間內重新規劃。這一 "執行 — 驗證 — 修復" 的閉環機制，使 openJiuwen 在概率性之上構建起確定性保障。

分布式狀態管理與 Agent 互聯，使能可靠高效運行

大規模、高并發、高吞吐是 Agent 應用運行的重要需求，分布式狀態管理是保障企業級大規模 Agent 任務可靠運行的基石。Agent 任務天然是有狀態的，比如長程任務的執行進度，各個節點 Agent 執行狀態等等，一旦這些執行狀態丟失或出現不一致，任務鏈逐級放大。openJiuwen 的分布式運行時，將 Agent 運行狀態實時分布式備份，一旦節點故障自動重建實例并恢復正確的內部運行狀態，實現斷點續跑，確保 Agent 故障恢復前后語義一致無副作用，有效防止 Agent 因推理錯誤或系統崩潰而在外部系統中留下不一致狀態。

在 Agent Team 場景中，多 Agent 系統需在異構單元間建立高效的發現與互聯協議，實現從單點執行到群體智能的升級，支撐復雜場景高效協作與全局優化。

原生自演進框架：全鏈路自主演進，越用越好用

構建閉環、可自主迭代的自演進能力，是 Agent 突破能力上限、實現從被動響應到主動進化的核心支撐。在企業級復雜場景與規模化落地過程中， openJiuwen 僅依靠靜態配置、人工調優難以滿足 Agent 能力持續升級與規模化適配，執行偏差、能力固化、經驗無法沉淀等問題直接制約智能體的持續進化與生態擴展。

openJiuwen 基于原生自演進架構，支持提示詞自動優化與上下文經驗沉淀。通過對 Agent 運行中產生的 bad case 進行軌跡分析，采用「文本梯度」機制對提示詞進行自動化、非隨機、具備梯度意義的持續優化；同時在任務執行后反思軌跡、提煉結構化經驗，不斷進化經驗庫，將任務執行轉化過程為可復用的長期經驗。

openJiuwen 依托工具與 Skills 自演進，實現 Agent 可用能力的實時迭代升級。基于 Agent 執行異常與用戶糾錯兩種信號，將實際使用問題實時轉化為 Skills 的改進輸入，驅動工具與 Skill 持續迭代更新，讓技能從靜態文檔轉變為可不斷進化的活文檔。openJiuwen 這套自演進體系讓 Agent “每次使用都是一次有效訓練”，從而實現 Agent 端到端的全鏈路自主演進，低成本、高效率地提升智能體執行效果。

安全可信，構建 Agent 全棧縱深防御體系

為保障 AI Agent 在企業環境中的安全落地，基于縱深防御理念構建 openJiuwen 的六層安全防護，確保 Agent 執行全鏈路安全可信：

身份認證：支持對接企業內部統一認證和授權系統，將用戶身份與 Agent 身份綁定，確保業務僅對合法授權主體開放。

權限管控：支持基于用戶意圖 + 任務上下文的細粒度權限控制，根據任務內容動態生成權限清單，實現按需最小化授權。

行為檢測：多層安全護欄覆蓋 Agent 輸入輸出、規劃執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：基于密碼學校驗，將信任鏈從 OS 延展到 Agent 執行中的每一個 Skill 和每一次工具調用，確保 Agent 運行環境完整可信。

隔離運行：Agent 安全沙箱支持進程、文件、網絡資源精細隔離，保障工具及 Skill 在明確安全邊界內運行，實現系統安全穩定運行。

審計運營：構建全鏈路運行日志記錄與異常行為追蹤分析能力，實現 Agent 行為可觀測與可追溯，滿足企業級安全合規審計與常態化安全運營要求 。

結語

未來，openJiuwen 社區將繼續秉持開源精神，與全球開發者、算力供應廠商、行業伙伴攜手，助力全球 Agentic AI 產業發展，共創智能體時代新生態！

• openJiuwen 官網：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/