機器之心發(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專題報道了 openJiuwen 先進的架構(gòu)設(shè)計理念 [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，重點解讀了其自主演進、動態(tài)任務(wù)規(guī)劃等技術(shù)亮點 [2]。兩大國際媒體的相繼報道，體現(xiàn)了 openJiuwen 的技術(shù)能力已獲得國際科技領(lǐng)域的關(guān)注與認可。

當前 AI Agent 正從演示場景走向規(guī)?；涞兀谒懔π?、運行穩(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，打造企業(yè)級高可靠、自演進、多智能體原生、算力親和的 AgentOS，為 AI Agent 規(guī)?；瘧?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、任務(wù)規(guī)劃、深度思考、調(diào)用工具、反思驗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)?；涞?，也帶來了巨大的機遇和挑戰(zhàn)。Nature 雜志報導了 “Moore’s Law for AI agents”，指出 Agent 應(yīng)用的復雜度正以每 7 個月翻一番的指數(shù)級速度發(fā)展，這不僅帶來了澎湃的算力需求，也預示了巨大的技術(shù)挑戰(zhàn)。

首先，Agent 在復雜任務(wù)執(zhí)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(guī)?；涞?。其次，安全與可控性問題突出，權(quán)限管控不足、工具調(diào)用風險較高、執(zhí)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(tài)變化的復雜任務(wù)中，Agent 任務(wù)成功率仍然偏低，穩(wěn)定性與魯棒性不足。長時運行缺乏可靠保障，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)級高可靠、高可控的應(yīng)用要求。

最后，當前 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)點集群等大規(guī)模設(shè)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(wǎng)絡(luò)、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(shè)施上高效運行、降低整體使用成本，已成為關(guān)鍵挑戰(zhàn)。

面對 AI Agents 獨特的負載與算力需求，以及大規(guī)模算力基礎(chǔ)設(shè)施的快速演進，需要有一個‘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 的運行開發(fā)。openJiuwen 正是承擔這個角色的 ‘AgentOS’，聚焦 AI Agent 規(guī)?；涞氐暮诵耐袋c，致力于打造安全可信、高效穩(wěn)定的智能體運行與協(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、權(quán)限治理、長時運行保障及多 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)?；涞?。

openJiuwen as the AgentOS

openJiuwen 以 Agent 應(yīng)用負載為核心服務(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，openJiuwen 提出“CLI as New POSIX, Skill as New Library, Agent as New Service”三大設(shè)計理念，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 對進程系統(tǒng)調(diào)用的標準化，定義了智能體時代全新系統(tǒng)原語：感知（perceive）、規(guī)劃（reason）、行動（act）、記憶存儲（memory store）、隔離（sandbox）。遵循該規(guī)范的 Agent 均可實現(xiàn)跨場景、跨設(shè)備統(tǒng)一運行。該層同時支持 Agentic UI 動態(tài)生成，可依據(jù)用戶身份、任務(wù)上下文與設(shè)備類型實時渲染界面，提供個性化交互體驗。

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 則讓智能體實現(xiàn)分布式協(xié)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(tài)編排。該層依托智能體注冊發(fā)現(xiàn)、跨節(jié)點通信、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)級大規(guī)模 Agent 并發(fā)運行。

Agent Framework — Skill as New Library

正如編程語言標準庫助力開發(fā)者高效開發(fā)，Agent Framework 讓 Agent 開發(fā)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(quán)限聲明及自動化測試；該框架提供 Agent 協(xié)議、ReAct 執(zhí)行引擎、上下文與記憶管理、Agent 護欄、Skill 引擎，以及基于執(zhí)行反饋的 Agent 自演進等能力。

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)、個人及設(shè)備控制的通用 Agents，同時內(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，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，實現(xiàn)開發(fā)者一鍵獲取能力、Skill 貢獻者觸達全生態(tài)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(shè)計范式中，算力親和是實現(xiàn)系統(tǒng)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(yīng)用的高并發(fā)請求與復雜任務(wù)編排，向下與底層硬件實施深度的軟硬協(xié)同。

在智能計算協(xié)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(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 長時運行與高頻上下文變動場景下的極致響應(yīng)，降低 Agent 時延 30%。

在通用計算與系統(tǒng)調(diào)度層面，openJiuwen 與 CPU 構(gòu)筑了穩(wěn)固的底座。傳統(tǒng) OS 以進程 / 線程為對象設(shè)計調(diào)度策略，面向 Agent 超長調(diào)用鏈路負載時這些策略易引發(fā)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(diào)度能力協(xié)同，基于 Agent 業(yè)務(wù)流將進程 / 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 Turbo Skills，賦能全生態(tài)高效開發(fā)

從 AgentOS 的角度，Skill 就是新的 Library。當前的 Skill 還遠遠不夠，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(jiān)控主動感知問題，細粒度指標動態(tài)觸發(fā)采集，分鐘級檢測 AI 慢節(jié)點并溯源，識別準確率 80%；故障檢測 Skill 動態(tài)感知系統(tǒng)拓撲，多源日志協(xié)同關(guān)聯(lián)故障節(jié)點，實現(xiàn)內(nèi)存故障小時級定位，準確度 > 80%；調(diào)優(yōu) Skill 動態(tài)識別環(huán)境拓撲和業(yè)務(wù)拓撲，結(jié)合通算 + 智算芯片親和領(lǐng)域模型和參數(shù) / 策略關(guān)系知識庫，實現(xiàn)系統(tǒng)自動參數(shù) / 策略尋優(yōu)，提升專家優(yōu)化效率。

長時確定性運行，消融不確定性，走向低熵

在企業(yè)級復雜 Agent 任務(wù)中，核心矛盾是LLM 推理的無狀態(tài)性與長時任務(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(tǒng)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(guān)的信息，會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)建多層知識圖譜與雙時間軸建模體系，實現(xiàn)記憶的智能提取、按需失效與動態(tài)重排序，支撐 Agent 在長時任務(wù)中高效、精準地獲取領(lǐng)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(zhí)行時，系統(tǒng)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(tǒng)不確定性。

使能長時確定性運行的另一個關(guān)鍵技術(shù)是 Agent 對自身執(zhí)行過程的反思與糾偏能力。在長時任務(wù)的漫長執(zhí)行鏈路中，執(zhí)行偏差的累積效應(yīng)會逐步放大，若缺乏系統(tǒng)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(gòu)建了雙通道驗證架構(gòu)，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(jié)合，在運行時將校驗結(jié)果反饋給 Agent，引導其在受限搜索空間內(nèi)重新規(guī)劃。這一 "執(zhí)行 — 驗證 — 修復" 的閉環(huán)機制，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)，使能可靠高效運行

大規(guī)模、高并發(fā)、高吞吐是 Agent 應(yīng)用運行的重要需求，分布式狀態(tài)管理是保障企業(yè)級大規(guī)模 Agent 任務(wù)可靠運行的基石。Agent 任務(wù)天然是有狀態(tài)的，比如長程任務(wù)的執(zhí)行進度，各個節(jié)點 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)鏈逐級放大。openJiuwen 的分布式運行時，將 Agent 運行狀態(tài)實時分布式備份，一旦節(jié)點故障自動重建實例并恢復正確的內(nèi)部運行狀態(tài)，實現(xiàn)斷點續(xù)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(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，實現(xiàn)從單點執(zhí)行到群體智能的升級，支撐復雜場景高效協(xié)作與全局優(yōu)化。

原生自演進框架：全鏈路自主演進，越用越好用

構(gòu)建閉環(huán)、可自主迭代的自演進能力，是 Agent 突破能力上限、實現(xiàn)從被動響應(yīng)到主動進化的核心支撐。在企業(yè)級復雜場景與規(guī)?；涞剡^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)升級與規(guī)?；m配，執(zhí)行偏差、能力固化、經(jīng)驗無法沉淀等問題直接制約智能體的持續(xù)進化與生態(tài)擴展。

openJiuwen 基于原生自演進架構(gòu)，支持提示詞自動優(yōu)化與上下文經(jīng)驗沉淀。通過對 Agent 運行中產(chǎn)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(xù)優(yōu)化；同時在任務(wù)執(zhí)行后反思軌跡、提煉結(jié)構(gòu)化經(jīng)驗，不斷進化經(jīng)驗庫，將任務(wù)執(zhí)行轉(zhuǎn)化過程為可復用的長期經(jīng)驗。

openJiuwen 依托工具與 Skills 自演進，實現(xiàn) Agent 可用能力的實時迭代升級?；?Agent 執(zhí)行異常與用戶糾錯兩種信號，將實際使用問題實時轉(zhuǎn)化為 Skills 的改進輸入，驅(qū)動工具與 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(xiàn) 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(zhí)行效果。

安全可信，構(gòu)建 Agent 全?？v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，確保 Agent 執(zhí)行全鏈路安全可信：

身份認證：支持對接企業(yè)內(nèi)部統(tǒng)一認證和授權(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)上下文的細粒度權(quán)限控制，根據(jù)任務(wù)內(nèi)容動態(tài)生成權(quán)限清單，實現(xiàn)按需最小化授權(quán)。

行為檢測：多層安全護欄覆蓋 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(zhí)行中的每一個 Skill 和每一次工具調(diào)用，確保 Agent 運行環(huán)境完整可信。

隔離運行：Agent 安全沙箱支持進程、文件、網(wǎng)絡(luò)資源精細隔離，保障工具及 Skill 在明確安全邊界內(nèi)運行，實現(xiàn)系統(tǒng)安全穩(wěn)定運行。

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

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/