构建AI操作系统内核：Nova Kernel实现多模型智能体协同与自我进化

在人工智能技术快速发展的今天，多模型协作与智能体系统已成为提升开发效率的关键方向。其核心原理在于通过统一的协调框架，将不同AI模型的能力进行整合与调度，实现任务的高效分解与执行。这一技术的核心价值在于能够打破工具间的信息孤岛，实现知识与经验的持续积累与复用，从而显著降低重复劳动与边际成本。在实际应用场景中，此类系统常被用于代码开发、自动化测试、知识管理等复杂工作流。本文聚焦的Nova Kernel

weixin_30813225

73人浏览 · 2026-04-27 12:31:46

weixin_30813225 · 2026-04-27 12:31:46 发布

1. 项目概述：构建一个“宪法级”的AI操作系统内核

如果你和我一样，日常开发中同时用着Claude、GPT、Gemini、Cursor、Antigravity这些AI工具，那你一定也经历过这种割裂感：在Claude里调教好的代码风格，到了Cursor里得重新说一遍；昨天Codex刚帮你修复的某个特定bug的模式，今天Claude又踩了进去。每个工具都像一座孤岛，它们共享你的键盘和屏幕，却不共享记忆、经验和技能。这种重复劳动和知识浪费，正是Nova Kernel想要终结的问题。

Nova Kernel，我把它理解为一个“宪法级”的AI操作系统内核。它的核心目标不是创造又一个需要你付费调用API的AI代理框架，而是成为你现有AI工具生态的“共享内存总线”和“技能协调中心”。想象一下，你所有的AI助手——无论是通过IDE订阅的Claude、ChatGPT里的Codex，还是免费的Gemini——都连接到一个统一的、持续进化的知识库上。你教给其中一个助手的任何事，都会成为所有助手的共同财富。更关键的是，它巧妙地利用了现有的订阅模式，让你在多数协作场景下，边际成本趋近于零。这听起来有点理想化，但经过一段时间的深度使用和代码剖析，我发现它的设计哲学和实现路径非常务实，完全是从一线开发者的痛点出发的。

这个项目的野心在于建立一套“宪法”，即一套AI无法自行篡改的核心规则，确保系统的自我进化始终在可控、可信的轨道上。它通过一个 仅追加（append-only）的JSONL文件作为单一事实来源 ，实现了记忆的持久化；通过 技能提炼（Skill Distillation）和宪法委员会（Constitutional Council）投票机制 ，实现了能力的自动化演进；再通过 四向投影（4-Way Projection） ，将这些记忆和技能实时同步到你正在使用的每一个AI客户端。最终，你面对的不再是几个独立的工具，而是一个由“司机Claude”统一调度、各司其职的AI团队。

2. 核心架构与设计哲学拆解

2.1 为何是“宪法级”操作系统？

“宪法”这个词在Nova Kernel里不是营销噱头，而是其安全与信任体系的基石。在常见的AI代理系统中，我们往往关注功能，而忽略了“谁来看守看守者”的问题。如果一个AI系统可以自行修改其核心行为规则，那么它的长期稳定性和可控性是无法保证的。

Nova通过 风险分层（L0-L3） 来应对这个问题：

L0（宪法层） ：包含 constitutional.json （系统行为准则）和 l3-gate.mjs （风险分类与写入拦截器）。这一层的文件被设置为“硬锁定”——任何AI发起的写入请求都会被内核直接拒绝。修改它们的唯一途径，是AI生成一个修改提案，经过一个由多个AI模型组成的“宪法委员会”投票，最终还必须由人类用户手动批准。这从机制上杜绝了AI“自我解放”的可能性。
L1（内部生成层） ：系统内部产生的文本、报告等。当置信度高于0.85时，可以自动执行。
L2（预测与内部变更层） ：例如对内存结构的预测性调整。执行后，会留有24小时的人工否决窗口。
L3（外部行动层） ：涉及发布、付费、发送消息等对外部世界产生影响的动作。必须经过宪法委员会投票且获得用户明确批准后才能执行。

这种设计的意义在于，它承认并拥抱了AI的“进化”能力，但为进化过程套上了缰绳。系统可以变得更好、更聪明，但其核心行为准则和风险控制逻辑的变更权，始终牢牢掌握在人类手中。这为长期、安全地运行一个自我完善的AI系统提供了可能。

2.2 零边际成本协作的魔法：路由与桥接

这是Nova最吸引我的“不公平优势”。大多数多模型框架都在盘算如何优化你的API账单，而Nova的思路是： 尽量不产生API账单 。

它的核心策略是 任务路由 。系统内有一个统一的LLM调用接口（ kernel/utils/llm.mjs ），但背后连接的不是单一的API提供商。相反，它维护了一个“模型发现”机制，能将逻辑模型名（如 antigravity-claude-sonnet-4-6 ）解析到具体的访问端点。

实操要点：如何实现零成本调用？

利用现有IDE订阅 ：通过 ag-bridge 这样的本地桥接工具，Nova可以直接与Antigravity IDE通信，调用其订阅包含的Claude模型（如Sonnet 4.6, Opus 4.6 Thinking）和Gemini模型。这对用户来说是零边际成本。
利用免费额度 ：对于Gemini等提供免费API tier的模型，直接配置其API Key即可。
利用ChatGPT订阅 ：通过 @openai/codex CLI，可以调用ChatGPT订阅中包含的Codex/GPT模型能力。
优雅降级 ：只有当以上免费/订阅路径都不可用时，系统才会回退到使用你配置的 ANTHROPIC_API_KEY 或 OPENAI_API_KEY ，此时才会产生标准API费用。

工作流示例 ：当你对“司机Claude”说“修复这个身份验证漏洞并运行测试”，Nova内核会这样分解任务：

代码推理与补丁撰写 ：路由给 antigravity-claude-sonnet-4-6 （通过ag-bridge，零成本）。
深度思考与边界情况分析 ：复杂的逻辑问题路由给 antigravity-claude-opus-4.6-thinking （同样零成本）。
执行测试命令 ：调用 codex CLI来在安全沙箱中运行 npm test （利用ChatGPT订阅，零成本）。
结果总结与分类 ：快速总结任务给 gemini-flash （使用免费API额度）。
经验沉淀 ：将本次修复的“经验教训”写入本地记忆库（零成本）。

整个过程，所有AI模型像一个团队一样协作，而你作为用户，只在与“司机Claude”对话，且几乎没有额外支出。这种设计极大地降低了长期使用和实验的门槛。

2.3 单一事实来源：仅追加式记忆模型

记忆是智能的基石。Nova采用了一种简洁而强大的记忆模型： 所有记忆都以JSONL（JSON Lines）格式追加写入一个文件 。这种设计有几个关键优势：

不可变性与完整审计 ：记录只增不改。当一条记忆需要更新时，不是修改原记录，而是写入一条带有 superseded_by 字段的新记录，将旧记录标记为“被取代”。没有任何一行数据会被物理删除，这提供了完整的、可审计的操作历史。
快照类型优化 ：对于某些需要频繁更新但只需保留最新状态的信息（如当前项目结构），Nova提供了 upsertSnapshot 方法。它通过一个唯一键来管理，确保文件不会无限膨胀，同时逻辑上依然符合“最后写入获胜”的原则。
四向投影保持同步 ：记忆被写入核心JSONL文件后，会在10毫秒内通过“四向投影”同步到各个AI工具能读取的位置，例如 ~/.claude/ 、 ~/.codex/ 目录，或项目内的 AGENTS.md 、 GEMINI.md 文件。这确保了无论你从哪个客户端提问，AI都能获取到统一的上下文。

记忆分为四种类型，结构化地存储不同信息：

用户记忆 ：你的身份、偏好、硬件环境等。
反馈记忆 ：最重要的类型，存储AI行动的成败教训、你的纠正和评价。这是技能进化的原料。
项目记忆 ：当前工作的上下文、文件结构、近期修改等。
参考记忆 ：指向外部资源的指针，如文档链接、代码库等。

注意：这种仅追加模式对磁盘空间的占用需要关注。虽然快照和定期运行的 memory-hygiene 清理代理（清理测试残留、回填模块信息）能缓解问题，但在长期运行、记忆条目超过10万后，项目路线图也提到了向PostgreSQL等数据库迁移的计划。对于初期使用，定期检查 memory/ 目录大小是个好习惯。

3. 从零开始部署与深度配置实战

3.1 环境准备与基础启动

假设你已经在本地开发环境（我使用的是Windows 11 + WSL2 Ubuntu，但macOS/Linux步骤类似）准备好了Node.js（>=20）和Git。

# 1. 克隆仓库
git clone https://github.com/yuyaning-engineer/nova-kernel.git
cd nova-kernel

# 2. 安装依赖
npm install
# 这里可能会遇到一些native模块的编译问题，确保你的系统有python3、make、g++等构建工具。

# 3. 配置环境变量
cp .env.example .env
# 现在，用你喜欢的编辑器打开 .env 文件，这是最关键的一步。

.env 文件配置详解：

# 最低要求：你必须至少设置一个Gemini API Key（免费额度足够初期使用）
GEMINI_API_KEY=your_gemini_api_key_here

# 如果你有Antigravity IDE订阅，并希望零成本调用Claude，需要配置ag-bridge
# 假设你已安装并运行ag-bridge在本地11435端口（默认）
# NOVA_AG_BRIDGE_URL=http://127.0.0.1:11435

# 备用方案：如果你没有上述订阅，或者想在某些任务中使用更强大的模型，可以配置付费API
# ANTHROPIC_API_KEY=your_anthropic_key
# OPENAI_API_KEY=your_openai_key

# 内部通信令牌，用于保护本地API端点，务必修改为一个强随机字符串
NOVA_INTERNAL_TOKEN=generate_a_strong_random_string_here

# 其他配置如日志级别、内存文件路径等，初期可以保持默认

实操心得 ：我强烈建议 先从Gemini免费API开始 。它不仅能让你体验核心功能，还能让你在初期避开复杂的本地桥接配置。 ag-bridge 的安装和与Antigravity的配对需要一些步骤，可以在系统跑通后再折腾。

# 4. 启动内核生态系统
node --env-file=.env start-ecosystem.mjs --kernel

如果一切顺利，你将看到服务器启动日志，并监听在 http://127.0.0.1:3700 。 start-ecosystem.mjs 这个脚本很关键，它不仅仅启动了HTTP API服务器，还激活了那些后台的“维护定时任务”，比如每6小时运行一次的技能挖掘、每24小时一次的外部侦察等。

3.2 核心API初体验与验证

服务器启动后，我们首先验证核心功能是否正常。打开另一个终端。

# 1. 测试任务规划能力：这是Nova的“大脑”功能，能根据你的意图推荐相关技能和代理。
curl -X POST http://127.0.0.1:3700/task/plan \
  -H "Authorization: Bearer $NOVA_INTERNAL_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"intent": "write a Python function to safely parse user input JSON"}'

# 预期返回一个JSON，包含匹配的技能(skills)、可调用的代理(agents)以及可能的警告(warnings)。
# 例如，它可能会关联到“输入验证”、“错误处理”相关的技能。

# 2. 检查内存健康状态
curl -X POST http://127.0.0.1:3700/memory/hygiene \
  -H "Authorization: Bearer $NOVA_INTERNAL_TOKEN" \
  -d '{}'
# 这会返回当前记忆库的统计信息和清理建议。

# 3. 浏览已晋升的技能库
ls evolution/skills/
# 初始状态下这个目录可能是空的，因为技能需要系统运行一段时间后通过“技能提炼”循环自动产生。

常见问题排查 ：

连接被拒绝 ：确保 start-ecosystem.mjs 脚本仍在运行，且端口3700未被占用。
认证失败 ：检查 .env 文件中的 NOVA_INTERNAL_TOKEN 是否与curl命令中的一致。可以通过 export NOVA_INTERNAL_TOKEN=your_token 在终端设置环境变量。
Gemini API错误 ：确认 GEMINI_API_KEY 有效，且已在Google AI Studio启用API。免费版有速率限制，如果频繁调用可能被限。

3.3 与你的AI工作流集成：MCP配置

Nova真正的威力在于与你的日常开发工具无缝集成。它通过 模型上下文协议（MCP） 实现这一点。MCP是Anthropic提出的一种协议，允许像Claude Code、Cursor这样的AI客户端动态连接并使用外部工具。

配置Claude Desktop（以Mac为例） ：

找到Claude Desktop的配置文件。通常在 ~/Library/Application Support/Claude/claude_desktop_config.json 。
在 mcpServers 部分添加Nova的配置：

{
  "mcpServers": {
    "nova": {
      "command": "node",
      "args": ["/absolute/path/to/nova-kernel/bin/nova-mcp.mjs"],
      "env": {
        "NOVA_INTERNAL_TOKEN": "your_actual_token_here",
        "GEMINI_API_KEY": "your_gemini_key_here"
        // 可以在这里覆盖或补充环境变量
      }
    }
  }
}

重启Claude Desktop。现在，当你在Claude Code中聊天时，你应该能看到一个“工具”图标，点击后会发现多出了几十个以 nova_ 开头的工具，例如 nova_health （检查系统状态）、 nova_memory_write （写入记忆）、 nova_task_plan （规划任务）等。

配置Cursor ： Cursor也支持MCP。编辑Cursor的MCP配置文件（位置可能因版本而异，通常在设置或 ~/.cursor/mcp.json ），添加类似的服务器配置。

集成后的工作流 ：现在，当你在Claude Code里编程时，可以直接使用工具。例如：“ @nova_task_plan 帮我规划一下重构这个模块的任务。” 或者 “ @nova_memory_write 记住：这个项目里我们使用 axios 而不是 fetch 进行网络请求。” 这条记忆会被写入Nova的核心记忆库，并同步给所有其他连接的工具。

4. 深入核心循环：系统如何自我进化

Nova不是一个静态的知识库，而是一个拥有多个自动化闭环的活系统。理解这些循环，是理解其“自我进化”能力的关键。

4.1 六大核心闭环详解

循环编号	名称	触发条件	核心作用与流程
①	任务识别	每一个新任务（通过API或MCP）	解析任务意图（ `intent` ），通过关键词二元组匹配，从技能库、代理注册表和记忆库中检索最相关的资源（技能、代理、历史警告），为“司机AI”提供上下文。这是每次交互的起点。
②	执行遥测	每一次代理调用（无论成功失败）	对所有失败和 12.5%的成功调用进行采样，自动生成 `feedback` 类型的记忆。这些反馈是系统学习的“燃料”，记录了“什么情况下什么方法会出错或特别有效”。
③	技能提炼	每6小时的定时任务（cron）	分析近期积累的 `feedback` 记忆，使用LLM对它们进行聚类和总结，从中提炼出可重复使用的模式，并自动生成新的技能提案（ `evolution/proposals/skill-*.md` ）。这是“经验”到“知识”的转化。
④	外部侦察	每24小时的定时任务	1. 检查NPM上项目依赖的connector是否有新版本。2. 使用LLM评估现有技能的知识是否过时（例如，某个API已更新）。生成升级建议。
⑤	宪法委员会投票	当有新的技能/变更提案提交时	一个由三个不同AI模型（通常是Claude Opus, Gemini Pro, Claude Sonnet）组成的异步委员会对提案进行审查和投票。只有获得多数赞成票的提案才会进入“等待人工批准”状态。这提供了多模型交叉验证，减少单一模型的偏见或错误。
⑥	四向投影同步	在记忆库发生写入后的10毫秒内	将新增或变更的记忆，立即同步到所有连接的AI客户端能读取的对应位置（如Claude的上下文文件、Codex的指令集等），确保所有工具的状态一致性。

4.2 技能的生命周期：从反馈到通用能力

这是Nova最精妙的设计之一。一个技能是如何诞生的？

原料收集（反馈记忆） ：你在使用中纠正AI的错误，或表扬它做得好，这些都被作为 feedback 记忆保存下来。例如：“当用户要求‘写一个排序函数’时，应该先询问是升序还是降序，以及要排序的数据类型。”
聚类与提案（技能挖掘） ：每6小时， skill-miner 代理会启动。它使用简单的词缀聚类（如分析反馈句子的开头）将相似的反馈分组，然后调用LLM（通常是Gemini Flash，因为免费且快）来总结这个模式，并起草一份技能提案。提案是一个Markdown文件，描述了技能的 触发词 、 行动模板 和示例。
委员会审查 ：提案被提交给宪法委员会。三个AI委员独立审阅，判断该技能是否：a) 清晰明确；b) 通用可复用；c) 符合宪法准则。它们进行投票。
人类批准 ：获得委员会通过的提案，状态变为 awaiting_human 。此时，需要你（用户）在 evolution/proposals/ 目录下查看该文件，并做出最终批准或拒绝的决定。这保留了人类对系统核心能力的最终控制权。
晋升与同步 ：一旦你批准，该技能文件会被移动到 evolution/skills/ 目录。紧接着，四向投影机制会将它同步到所有AI工具能访问的地方。从此以后，当任何AI遇到匹配触发词的任务时，它就会“记得”应用这个技能。

实操心得 ：初期技能库是空的，系统需要一些“热身”时间。为了加速这个过程，你可以有意识地多使用 nova_memory_write 工具来手动添加一些高质量的反馈记忆。比如，当你花时间详细解释了某个复杂概念后，可以写一条反馈：“关于 React useEffect 的清理函数，已经向用户解释了三种常见的使用场景和陷阱。” 这能帮助技能挖掘代理更快地形成有价值的技能提案。

5. 高级功能与自定义扩展

5.1 构建你自己的智能代理（Agent）

Nova内置了一个代理注册和调用机制。除了使用系统内置的代理（如 skill-miner , gap-detector ），你也可以定义自己的。

步骤：

声明代理 ：在 kernel/agents/registry.json 中添加你的代理定义。

{
  "my-custom-linter": {
    "description": "一个自定义的代码静态检查代理，专注于检查安全漏洞。",
    "entrypoint": "./kernel/agents/custom/my-linter.mjs",
    "trigger": "manual", // 或 "cron:*/30 * * * *" 表示每30分钟运行
    "required_params": ["file_path"],
    "output_type": "report"
  }
}

实现代理逻辑 ：创建 kernel/agents/custom/my-linter.mjs 。你可以在这里编写任何Node.js逻辑，也可以调用 callLlmJson 来使用AI能力。

// my-linter.mjs
import { callLlmJson } from '../utils/llm.mjs';
import fs from 'fs/promises';

export default async function myLinterAgent({ file_path }) {
  const code = await fs.readFile(file_path, 'utf-8');
  const prompt = `请分析以下代码的安全漏洞，特别是注入和敏感信息泄露风险：\n${code}`;
  
  const analysis = await callLlmJson(prompt, {
    model: 'gemini-flash', // 使用免费模型
    task_type: 'security-audit',
  });

  // 将结果写入反馈记忆，供系统学习
  // ... 调用 memory-writer ...

  return { ok: true, report: analysis.json };
}

调用代理 ：可以通过MCP工具 nova_agent_invoke ，或在代码中直接调用 invoke.mjs 来运行你的代理。

5.2 开发新的连接器（Connector）

连接器是Nova与外部工具（如Jira、GitHub、Slack）交互的桥梁。Nova采用声明式的清单（manifest）来定义连接器。

步骤：

创建清单 ：在 kernel/connectors/manifests/ 目录下新建一个JSON文件，例如 my-todo-app.json 。

{
  "name": "my-todo-app",
  "version": "1.0.0",
  "description": "连接到我个人的TODO应用",
  "baseUrl": "https://api.my-todo-app.com",
  "authentication": {
    "type": "bearer",
    "envKey": "MY_TODO_APP_TOKEN"
  },
  "endpoints": {
    "getTasks": {
      "path": "/v1/tasks",
      "method": "GET",
      "description": "获取所有未完成的任务"
    },
    "createTask": {
      "path": "/v1/tasks",
      "method": "POST",
      "description": "创建新任务"
    }
  }
}

实现发现逻辑 （可选）：如果连接器需要动态检测（如检查本地是否安装了某个CLI工具），可以在 kernel/connectors/discovery.mjs 中添加检测代码。
使用连接器 ：系统运行后， external-scout 代理会读取这些清单。AI在需要时，可以通过 nova_scout_external 工具查询“有没有可以管理TODO的连接器？”，并获取到使用这些端点的信息，进而帮你创建或查询任务。

5.3 知识库（KB）v2：向量搜索与情报池

kernel/kb/ 目录下是正在演进的知识库v2系统。它比基础的记忆更强大，旨在处理非结构化的文档、网页内容等。

向量搜索 ：使用本地的 bge-m3 或通过Ollama运行的嵌入模型，将文本转化为向量，实现语义搜索。你可以问：“我们之前有没有讨论过关于‘分布式锁’的问题？”即使原话不是这几个字，也能找到相关内容。
情报池 ：将爬取或导入的外部信息（如API文档、博客文章）进行结构化处理，存入知识库。
策展层级 ：信息有不同的可信度等级，从“原始抓取”到“人工验证”，确保AI引用的信息是可靠的。

这个模块目前还在开发中，但它是Nova从“对话记忆”走向“企业知识中枢”的关键一步。

6. 运维、监控与故障排除

6.1 系统健康检查与日志

Nova提供了详细的健康检查端点：

curl -X POST http://127.0.0.1:3700/system/health \
  -H "Authorization: Bearer $NOVA_INTERNAL_TOKEN"

这会返回一个包含各组件状态（内存、技能、代理、连接器、定时任务）、最近错误和系统负载的JSON报告。 定期检查这个端点是个好习惯 。

日志：Nova的日志默认输出到控制台，并通过 kernel/utils/redact.mjs 自动脱敏（移除可能的API密钥等秘密）。对于生产部署，建议使用PM2、Docker或Kubernetes的日志收集功能，将日志导向ELK或类似系统。关键的日志类别包括：

[AUDIT] ：所有L2/L3级别的变更操作，用于安全审计。
[COUNCIL] ：宪法委员会的投票过程和结果。
[MEMORY] ：记忆的写入和同步事件。
[ERROR] ：任何运行时错误。

6.2 常见问题与解决方案速查表

问题现象	可能原因	排查步骤与解决方案
MCP工具在Claude Code中不显示	1. MCP配置路径错误。 2. `nova-mcp.mjs` 脚本执行权限或依赖问题。 3. Claude Desktop未重启。	1. 检查配置文件路径是否为绝对路径。 2. 在终端直接运行 `node /path/to/nova-mcp.mjs` ，看是否有报错（如缺少模块）。 3. 彻底关闭并重启Claude Desktop。查看其日志文件是否有MCP加载错误。
任务规划返回空结果或无关结果	1. 技能库为空。 2. 意图描述太模糊。 3. 关键词匹配未命中。	1. 系统需要运行一段时间积累技能。可手动添加一些反馈记忆。 2. 尝试更具体地描述任务，例如将“修bug”改为“修复用户登录时因密码哈希比较函数异步问题导致的认证失败”。 3. 检查 `evolution/skills/` 目录，了解现有技能的触发词是什么。
内存同步失败，AI客户端看不到新记忆	1. 投影目标路径配置错误或不可写。 2. 同步进程出错。 3. AI客户端缓存了旧上下文。	1. 检查 `kernel/memory/memory-sync.mjs` 中的投影路径，确保你有写入权限。 2. 查看服务器日志中是否有 `[MEMORY SYNC ERROR]` 。 3. 尝试重启AI客户端（如Claude Code），强制其重新加载上下文。
宪法委员会投票一直卡住	1. 用于投票的AI模型API调用失败。 2. 提案格式不符合预期，导致LLM解析失败。	1. 检查 `.env` 中对应模型的API配置是否正确，网络是否通畅。查看日志中 `[COUNCIL]` 相关的错误。 2. 手动查看 `evolution/proposals/` 下的提案文件，格式是否规范（Markdown，包含清晰的触发词、行动、示例）。
系统运行一段时间后变慢	1. JSONL记忆文件过大。 2. 定时任务堆积。 3. 向量搜索索引膨胀。	1. 运行 `memory/hygiene` 端点进行清理。考虑未来迁移到数据库。 2. 检查 `start-ecosystem.mjs` ，确认后台任务的时间间隔是否合理，可根据需要调整。 3. 清理 `kernel/kb/vector_store/` 下的旧索引文件（如果启用了KB）。
`ag-bridge` 连接失败，无法零成本调用Claude	1. `ag-bridge` 未安装或未运行。 2. Antigravity IDE未登录或订阅过期。 3. 防火墙/端口阻止。	1. 确保已按照 `ag-bridge` 仓库说明正确安装并运行在指定端口（默认11435）。 2. 确认Antigravity IDE处于登录且活跃状态。 3. 使用 `curl http://127.0.0.1:11435` 测试 `ag-bridge` 服务是否可达。在Nova的 `.env` 中正确设置 `NOVA_AG_BRIDGE_URL` 。

6.3 性能调优与备份策略

记忆文件管理 ：定期监控 memory/ 目录大小。可以编写一个简单的cron任务，每周调用一次 /memory/hygiene 端点。对于快照类记忆，确保其 upsertSnapshot 逻辑正确，防止单一键值对的历史版本过多。
模型路由优化 ：在 kernel/workers/ai-executor.mjs 中，可以调整 task_type 到 model 的映射策略。例如，将 code-review 这类轻量任务固定路由到 gemini-flash ，将 deep-planning 路由到 claude-opus ，以实现成本与性能的最优平衡。
备份：最重要的备份目标是 memory/ 目录下的JSONL文件，这是所有知识的结晶。建议设置每日自动备份。 constitutional.json 和 audit.db （审计数据库）也应纳入备份范围。
安全： NOVA_INTERNAL_TOKEN 相当于系统的根密码，务必妥善保管。 .env 文件绝不能提交到版本库。如果通过MCP暴露在网络上，确保Nova的服务器（3700端口）只监听在本地回环地址（ 127.0.0.1 ），不要暴露在公网。

运行Nova Kernel几个月下来，最大的体会是它改变了我与AI协作的“工作流密度”。以前的信息是点状的、易逝的，现在变成了网状的、累积的。它像一个不知疲倦的学徒，默默观察、总结、提炼，最终将散落的经验点石成金，固化为一套不断增长的、属于你自己的“智能工作流协议”。从最初的简单命令记忆，到后来能自动识别代码坏味道并提出重构建议的复杂技能，这个过程本身就像在培育一个数字伙伴。当然，它目前还是alpha阶段，CLI操作和配置有一定门槛，Web UI的缺失也让状态查看不够直观。但它的理念和基础架构已经足够坚实，对于任何重度依赖多个AI工具、且苦于知识无法沉淀的开发者或团队来说，投入时间搭建和调教这样一个系统，长远来看回报是巨大的。它不是在替代你的AI工具，而是在让你的AI工具们真正为你而战。