登录社区云,与社区用户共同成长
邀请您加入社区
AI Agent 正在把大模型从「对话窗口」推向「工作伙伴」。实现这一转变的关键,并非给模型套上更多提示词,而是构建一个具备规划、执行、记忆、反思和人机协作的闭环系统。长期任务的推进,本质上是在对抗三个敌人:上下文有限、错误累积、目标漂移。谁能更好地管理状态、控制风险并保持对齐,谁就能让 Agent 真正值得被委派。从「回答问题」到「完成任务」转变,核心不是让模型更会说话,而是为它补上行动的闭环;
通过实现Rust风格的类型检查、Result类型和Option类型,我们可以在Python中获得一些Rust类型系统的优势,同时保留Python的灵活性。作为一个Rust转Python的开发者,我认为这种方式可以帮助我们写出更可靠、更易维护的Python代码。当然,我们也需要在类型安全和灵活性之间找到平衡点。保持学习,保持输出。虽然现在我还是个菜鸡,但我相信只要坚持,总有一天能成为真正的「第一程序
多前端生态兼容:一个二进制同时服务 CopilotKit(AG-UI)和 React(AI SDK v6),零胶水代码。Human-in-the-loop:按工具粒度 Allow/Deny/Ask,暂停 → 审批 → 恢复。多智能体编排:本地 + 远程(A2A),支持协调者/流水线/并行扇出/层级/生成-批评模式。Skills + MCP:技能包运行时发现激活 + 任意 MCP 工具自动注册。Gi
Gliding Horse 的工具结果压缩体系,本质上是一套信息无损的指针系统。它把“笨重”的原始数据留在图数据库和 L0 持久化层,只把轻量的“名片”(摘要 + IRI + 微工具)递进上下文。当 LLM 需要时,按图索骥即可精准取回。这套设计让 Agent 既能拥有海量的工作记忆,又不必为 Token 账单发愁,是让自主 Agent 走向长周期、高可靠的核心基础设施。
在Rust专题论坛上,非凸AI实验室主任乔丹以“全栈 Rust × AI Native:非凸科技的产品和研发转型实践”为主题,系统介绍了团队从全栈Rust迈向AI Native的演进路径,并带来开发者与AI Agent协同研发的实践分享。立足大会所汇聚的行业洞察与技术共识,非凸科技未来将持续深化 Rust 与 AI 的融合实践,以安全、高性能的基础设施支撑智能化产品创新,同时加大在开源共建、开发者
tool"""查询内部知识库,返回相关文档片段"""# 模拟知识库查询docs = {"部署流程": "1. 安装依赖\n2. 配置环境变量\n3. 启动服务","API 文档": "GET /api/v1/tasks 返回任务列表",return docs.get(query, f"未找到关于「
如何让 AI Agent 从“聪明但散漫”变成“可靠且可依赖”。v0.1.4 让这个答案更完整了一点。如果你对 Agent 操作系统、Rust 系统工程、或者知识图谱与因果推理的结合感兴趣,欢迎来 GitHub 看看:👉项目还在快速迭代中,文档和示例正在持续补全。如果你愿意一起探索 Agent OS 的边界,star 和 issue 都是最好的支持。
Gliding Horse 的时间感知系统,让 AI Agent 从"时间盲人"变成了拥有精确时间感的智能体。它不再被陈旧信息误导,能在每一次决策时清楚知道"现在几点",并自动为不同时效的信息赋予合理的权重。这是让长周期自主运行成为可能的关键基础设施。
❌ 技能之间的字段名冲突(“input_file” vs “source_url” vs “data_path”)❌ 缺乏全局实体标识(无法合并来自不同智能体的记忆)❌ 缺乏语义类型(无法进行多态发现)❌ 结构固定(无法通过深度控制 Token 预算)Gliding Horse 使用JSON-LD 1.1(W3C 标准)作为通用数据总线,提供六项核心能力:fill:#333;important;i
Gliding Horse Agent OS 建立在两个通用框架5W2H(What-做什么、Why-为什么、Who-谁做、When-何时、Where-何地、How-怎么做、How Much-多少资源)任务本体回答:“到底需要做什么?目的:明确意图、约束和成功标准时机:在任务初始化阶段应用PDCA 循环(Plan-计划、Do-执行、Check-检查、Act-改进)执行模型回答:“我们如何系统地执行和
2026年,IT行业经历深刻技术范式转移。AI Agent进化为数字员工,大模型从参数竞赛转向场景深耕,云智算重构传统架构,算力迎来异构计算与国产替代变局。AI驱动安全攻防升级,Rust、Python、Go三分天下,量子计算走向实用化,RAG成为企业AI应用标准架构。这场变革的核心不再是“会不会用AI”,而是“能否构建可信赖的智能系统”。开发者需深耕垂直领域、拥抱AI工具、持续更新技能树,方能在智
把 JSON‑LD 编译成 DAG,本质上是在 Agent OS 里装了一个“编译器”。它把人类意图(5W2H)和技能网络(Skill Graph)编译成可以被 Agent 直接执行的字节码(DAG)。计划从“自然语言”变成“结构化数据”,可验证、可增量、可追溯。调度器有了精确的执行地图,而不是盲猜。上下文只存 DAG 的摘要和 IRI,Token 成本降到极致。跨阶段协作传递的是结构化契约,而不
我知道模型厂商们的优先级列表很长——多模态、更长上下文、更快推理、更低成本…… “支持JSON-LD”可能排在一千名开外。但我真的相信,JSON-LD是AI Agent走向真正智能的关键基础设施。它不是另一种数据格式,它是让数据变成图、让Agent能互相理解、让记忆能跨会话持久化的语义总线。现在的LLM,就像一个聪明绝顶但只会说英语的人。你让它处理全球业务,它很强,但一旦碰到西班牙语、中文、阿拉伯
我当时选JSON-LD,不是因为它“新潮”或者“听起来牛X”。Token费用飞涨Agent突然失忆Skill名字打架查历史靠“感觉”数据到底可不可信不知道JSON-LD没能解决所有问题,但它至少给我提供了一套可寻址、可校验、可追溯、可演化的统一数据协议——这已经比Markdown能提供的多了一个维度。对Agent系统来说,数据不是文件,是图;引用不是链接,是语义;校验不是审查,是数学。这,就是我选
《Python Agent框架如何靠工程优化击败Rust》摘要:开源AI框架Hermes在CLI任务测试中以Python击败Rust开发的OpenAI Codex,关键不在于语言性能,而是三项精准工程优化(节省443ms启动时间)和创新的Skills架构设计。其核心优势在于五步学习闭环系统,通过任务执行→技能提取→自改进的循环使Agent越用越聪明。优化策略包括Bitwarden磁盘缓存(省380
本次实验验证了利用 OpenFang Hands 机制构建垂直领域 Harness 的技术可行性,成功定制了一个具备基础 C→Rust 重构意识的专用智能体。然而,实验数据同时表明:OpenFang 在应对需要极高工具自由度与大规模迭代次数的“生产级代码重构”场景时,其基于安全优先的强沙箱模型反而成为效率瓶颈。
在上一阶段的实验中,我们成功驱动 EvoC2Rust 完成了元数据提取与 LLM 翻译两大流水线,将示例项目中的 29 个宏、95 个类型定义、200 个函数签名及 200 个函数体从 C 映射为 Rust 中间表示,并转入了编译修复流程。本文将深入剖析修复阶段的三级串行机制、验证环节的缓存一致性问题,以及最终 Rust 项目的生成与编译验证结果。
在上一阶段的实验中,EvoC2Rust 的三级修复流水线将项目的函数体编译通过率从 54.50% 提升至 73.00%,但仍有 54 个函数体未能通过翻译验证。这挡在通往全自动 Rust 化路径前的 27%,其核心障碍并非翻译能力的缺失,而是更深层的。本章我们将使用 OpenCode 编码智能体对失败日志展开系统性诊断,定位根因并设计针对性修复方案。
在上一阶段的深度排障中,我们成功锁定了阻碍函数体通过率跨过 73% 天花板的根本原因——typedef条目产生的空结构体壳在符号层面引发了Ptr<T>泛型参数的类型坍缩。然而,由于此前调试过程中反复修改max_trial参数并遗留了大量交叉引用的缓存文件,导致流水线执行频繁触发超时与依赖混乱。为彻底排除环境干扰,我们决定从零构建一个干净的 EvoC2Rust 工作目录,并在此之前进一步强化 Ope
SkillLite是一个用Rust构建的轻量级自进化引擎,其核心特点是内置原生系统级沙箱安全机制。该项目采用双层架构设计,将自进化引擎与安全沙箱紧密结合,确保智能体进化能力不牺牲安全性。沙箱提供三层防御:安装时静态扫描、预执行授权检查以及运行时操作系统级隔离(使用Seatbelt/bwrap/seccomp等技术)。项目采用模块化结构,包含主CLI工具skilllite和独立沙箱二进制skilll
本文对 SkillLite 的安全策略进行了全面盘点,梳理了现有的安全防护体系。核心内容包括: 威胁模型:覆盖LLM生成脚本、第三方技能引入等5类风险场景,设计目标强调默认收紧权限、fail-closed原则。 三层防护架构: 执行前:包含技能元数据扫描、静态代码分析、依赖审计等5个模块 运行时:提供L1-L3三级沙箱隔离,整合macOS Seatbelt和Linux bwrap+seccomp
Rust项目代码规模与架构分析 该项目总代码量约76,400行,包含11个主要crate。skilllite-agent以22,600行成为最大模块,包含Agent核心功能;skilllite-sandbox和skilllite-evolution分别约11,700和11,100行。单文件规模方面,integrations.rs(1922行)、chat_session.rs(1458行)等文件体量
`SKILLLITE_EVO_*` 当作「统计策略旋钮」,把 `tool_sequence_key` 当作「模式指纹」——比盲目加提示词更能稳定地让 Skill 从重复成功里长出来;同时学会读 `evolution_run` / `evolution_run_noop` / `evolution_run_outcome`,排障会快一个数量级。
多渠道接入:支持 Telegram、Slack、Discord、飞书、企业微信等(按需在配置里启用)。- 工具体系:内置文件/命令/网页抓取、无头浏览器(CDP)、邮件、转写、图表、Office 生成等。- 命名故事:https://blockcell.dev/naming-story。- Rust 宿主负责:消息循环、工具注册与校验、调度、存储、审计、升级/回滚。- Skills 负责:把任务流
OpenClaw 为大语言模型大脑接上了双手与双脚,让 AI 成了实时在线,高度自主化、疯狂进化的数字生命。但其肆无忌惮地以明文形式处理着用户的核心数据、密钥以及暴露的致命安全漏洞,仿佛让数字生命在互联网上全裸狂奔。Transformer 论文作者 Illia Polosukhin 出手,用 Rust 语言从底层重新打造了钢铁版龙虾 IronClaw。
从 OpenClaw 到 IronClaw,本质上是 AI Agent 从"能用"到"敢用"的跨越。OpenClaw 向我们展示了 AI Agent 能做什么——自动化工作流、深度接管任务、大幅提升效率。这些价值是真实的,也是我最初被它吸引的原因。但 IronClaw 提醒了我,在 AI Agent 拿到你的邮箱密码、服务器密钥、甚至未来的加密钱包权限之前,我们必须认真回答一个问题:这个执行环境,
**Feishu 功能** | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | 基础功能 vs 完整集成 || **性能** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | Rust 编译型 vs JS 解释型 || **开发效率** | ⭐⭐ | ⭐⭐⭐⭐⭐ | 编译耗时 vs 即时生效 || **Wiki 操作** | ❌ | ✅ (wiki.ts:232 行) || **扩展性** | ⭐⭐ | ⭐⭐⭐⭐⭐ | 编译时扩展 v