手表端对比原 bag-of-hash 方案：**88.9% vs 44.4%（+44.5%）**，老人机端：**85.7% vs 33.3%（+52.4%）**，21 条结构化断言全部通过。再小的 Asterisk（2.6M）和 all-MiniLM-L6-v2（22M）都是英文 only。|recall 延迟（WSL x86 + numpy）|12.9s（全量遍历）|**4ms（numpy 批量

# 建木OS Phase 1 技术进展报告 > **执行摘要**：建木OS 是一款面向嵌入式设备的 Agent 操作系统，当前规划两条产品线：**老人机平台**（展锐/联发科功能机，标准部署）与**智能手表平台**（Cortex-M7 嵌入式，极限压缩）。Phase 1 已完成 V9v3 C 版端侧推理引擎编译验证，worm_knowledge_engine 已开源发布，正在推进老人机意图理

摘要：建木OS是一款专为资源受限嵌入式设备设计的Agent操作系统，聚焦离线语音交互与任务执行，推出老人机与智能手表两条产品线。老人机平台基于展锐/联发科功能机（512MB-1GB内存），支持用药提醒、健康监测等完整功能；智能手表平台采用Cortex-M7芯片（64-512KB内存），压缩版模型实现语音笔记等核心场景。技术核心包括自研V9v3系列嵌入模型（标准版12MB/lite版<2MB）

  ## 一、为什么做这个对标 bge-m3（567M 参数，1.2GB）是中文嵌入的业界标杆，但体积和依赖决定了它只能跑在服务器上。MiniLM（23M 参数，80MB）是"小模型"代表，但仍需 PyTorch 生态。白泽需要上手表、上无人机、上离线设备、上 2G 网络——这要求一个**从零开始、无依赖、可验证**的嵌入引擎。 V9v3 的设计目标不是打败 bge-

这不是一篇概念文章，而是一份工程验证报告。我们在一款桌面 AI 助手中，真正实现了三件事：① 自主进化系统：每次运行真实调整模型权重，去重记忆、热度升权降级，已有 229 条训练样本；② 本地 Transformer 生成模型：从零实现 Embedding → 多头注意力 → FeedForward → 真实 Adam 优化器，含可验证的前向/反向传播（损失 4.85 → 0.10）；③ 模型权重