- 博客(68)
- 收藏
- 关注
RSS订阅原创 【Agent Harness】Gliding Horse 最新升级：把“智能闭环”真正跑通的一次深度优化
Gliding Horse 本次升级聚焦“智能闭环”的落地，重点打通记忆系统的一致性写入与预取链路、修复 SA 编排层的“假成功”问题、为安全门禁补充合规工具白名单，并新增日志实时镜像以消除长任务“无输出假死”。升级后各模块从“独立可用”走向“真正协同”，复杂任务状态如实反馈，长时间运行可观测。
2026-08-08 20:35:24
438
原创 【Agent Harness】流马（Gliding Horse）DeepSeek Responses API 接入介绍
Chat Completions 将函数定义嵌套在function// chat completions（入参）// responses（转换后）非函数工具（web_search、自定义工具）原样透传。
2026-08-04 20:35:08
520
原创 【AI 推理】在 Rockchip NPU 上实现 MoE 大模型流式推理的技术方案
是一个由 Andrey Mikhaylov 开发的独立研究项目，其核心成就是让（一个 260 亿参数的 Mixture-of-Experts 大语言模型）在仅有 8 GB 内存的 Apple Silicon MacBook 上运行，峰值内存占用仅约 2 GB，并在 M2 MacBook Air 上实现 5.1–6.3 tok/s 的解码速度。该项目完全使用编写，没有依赖 MLX 或 llama.cpp，而是构建了一套模型专属的自定义推理运行时。其最关键的技术创新是。
2026-07-30 17:15:52
574
原创 【开源项目】开源智能排产系统深度研究报告（第二部分）
fill:#333;important;important;fill:none;fill:none;30%20%20%15%10%5%开源项目与商业APS综合差距算法先进性（差距小）业务功能（差距大）UI/UX体验（差距大）集成能力（差距极大）行业Know-how（差距大）售后支持（差距大）核心结论：开源项目在算法先进性上已接近甚至超越商业 APS（尤其是 OR-Tools），但在业务功能、UI 体验、集成能力、行业 Know-how上仍有显著差距。
2026-07-25 18:10:49
416
原创 【开源项目】开源智能排产系统深度研究报告（第一部分）
本研究对当前国际最具影响力的三大开源排产/优化项目进行了深度代码级分析，累计阅读源码超过 50 万行，覆盖核心算法实现、数据模型、求解器架构、约束建模、并行计算等关键维度。frePPLe：基于启发式规则与约束传播的"工业级 APS 框架"，最贴近真实生产场景，开箱即用，但算法先进性有限；：基于元启发式算法（Local Search）的"通用约束求解器"，建模灵活、求解质量高，是 OptaPlanner 的现代继承者；
2026-07-25 18:08:47
610
原创 【AI 应用】从“外国人味”到地道中文：kokoroi-rs v0.1.2 架构升级深度解析
Kokoro 模型原生训练使用的正是 Bopomofo 音素表示。早期版本采用 IPA 方案，相当于在模型输入端做了一次“音素转译”——先把中文转成 IPA，再映射到模型词表。这个转译过程引入了信息损失，尤其体现在声调、连读变调等中文特有的韵律特征上。v0.1.2 将 G2P 流水线全面切换到 Bopomofo，并配合专为中文优化的ZH_VOCAB词表，让模型直接“读懂”注音符号，消除了中间转译层。fill:#333;important;important;fill:none;color:#333;
2026-07-24 19:28:25
470
原创 【Agent Harness】Gliding Horse 高级认知优化：让 Agent 的“大脑”和“免疫系统”真正协同
如何让 AI Agent 从“聪明但散漫”变成“可靠且可依赖”。每一次迭代都在让这个答案更完整。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。
2026-07-23 21:29:39
822
原创 【RUST AI】把 TTS 搬进浏览器：kokoroi-rs 的 WASM 实践
语音合成（TTS）服务已经非常普及，但大多数解决方案依赖云端 API：用户把文本传到服务器，服务器生成音频后返回。这个过程带来了几个绕不开的问题：那么，有没有可能让 TTS 完全在浏览器本地运行？WebAssembly 的出现让这种想法成为可能。kokoroi-rs 的 WASM 模块正是这样一个尝试——将 Kokoro TTS 的核心能力编译为 WebAssembly，让高质量语音合成直接运行在用户的浏览器中，无需任何后端服务器。本文将深入拆解 kokoroi-rs 的 WASM 架构、两种推理后端、Ja
2026-07-21 09:47:30
707
原创 【开源项目】Rust 重构 TTS 引擎：kokoroi-rs 的高性能流水线架构揭秘
从 Python 原型到 Rust 生产级系统，kokoroi-rs 展示了如何将 AI 模型“工程化”落地。它不是一个简单的“翻译”，而是从底层流水线、并行策略、跨平台构建等多个维度重新设计，最终交付出一个高性能、易部署、可扩展的 TTS 引擎。对于正在探索 Rust 在 AI 领域应用的开发者，这个项目提供了很好的参考样本——如何用 Rust 的安全性和并发能力，为深度学习模型打造健壮的工程底座。希望本文的拆解能给你带来一些启发。
2026-07-14 21:00:31
397
原创 【开源项目】用 Rust 重构中文 TTS！kokoroi-rs 高性能语音合成引擎介绍
如果你关注过开源语音合成（TTS）领域，大概对Kokoro这个名字不陌生。作为一个轻量级、多语言的 TTS 模型，Kokoro 凭借 82M 参数量和 Apache-2.0 开源协议，在社区里收获了不少关注。不过，Kokoro 的原生实现主要是 Python 生态，依赖 PyTorch 和大量的 Python 运行时——这在生产环境中往往会带来部署体积大、启动慢、并发能力受限等问题。能不能把 Kokoro 搬到 Rust 里，跑出更高的效率？答案就是今天要聊的主角——kokoroi-rs。
2026-07-14 20:37:02
482
原创 【Agent Harness】Gliding Horse v0.1.4.preview 发布：时间感知、闭环审计与智能增强
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。
2026-07-11 11:31:50
1410
原创 【Agent Harness】AI 生成图片里的文字全是“鬼画符”？一文讲透错字根源与工业级解决方案
只要文字的准确性属于业务要求，就不能把“纯文生图一次生成成功”作为系统保证。文本编码器不关心字符级信息图像生成损失不惩罚拼写错误VAE 压缩丢失笔画细节训练数据标注粗糙布局与生成任务耦合过重根治的方法确定性文字（海报/广告）→ 排版引擎，不做文生图自然场景文字（路牌/包装）→ 字形条件 + 局部编辑 + OCR 闭环艺术风格文字（霓虹/金属）→ 确定字形骨架 + AI 风格化训练/微调→ 双编码器 + 空间条件 + 高分辨率分支 + 字符级监督。
2026-07-11 08:37:18
632
原创 【问题排查】Linux服务器无故重启且日志一片空白？一文讲透“幽灵重启”的真相与排查
就“突然重启、Linux 上一轮日志戛然而止、没有 shutdown/reboot 信号，而持续断电时机器又会保持关机”这一组合而言，最典型的原因是一次时间较短的电源下陷或局部供电故障，使 PWR_OK、CPU 供电或主板复位条件失效，但待机电源和电源控制状态并未彻底丢失；电压恢复后主板直接重新启动。硬件看门狗 / BMC ASR；机箱 Reset 信号或主板复位电路；kernel panic 自动重启；CPU、内存、PCIe 或热保护致命错误；外部管理系统或虚拟化宿主机硬复位。
2026-07-10 11:34:37
387
原创 【安全，架构】RustyVault 项目深度分析报告以及和HashiCorp Vault的差异
fill:#333;important;important;fill:none;fill:none;45%25%15%15%RustyVault 功能完整度（按 Vault 开源版为基准）完整实现部分实现占位/未实现无对应概念（国密/Crate）整体完整度约 30-35%（相对于 Vault 开源版的功能集）。核心引擎、认证框架、策略引擎、PKI 签发链路完整；但审计、高可用、动态机密、KV v2、Transit、响应封装等关键能力缺失或占位。已实现部分的代码质量较高。
2026-07-10 07:50:50
404
原创 【Web安全，微服务安全】HashiCorp Vault 项目深度分析报告
本文对 HashiCorp Vault 项目进行了深度分析，从核心架构、内部机制到常见业务安全痛点的覆盖度评估，全面解析 Vault 如何解决 RESTful API 权限控制、统一 Token 颁发与自动刷新、数据库密码管理以及第三方密钥保存等四大安全难题。文章还探讨了 Vault 在机密泄露控制、密钥隔离、加密即服务、短期证书等方面的独特价值，并提供了典型使用场景与采用建议，帮助读者判断 Vault 是否适合自身业务。
2026-07-09 17:37:06
411
原创 【Agent Harness】Gliding Horse 整体架构拼图：当 AI Agent 有了自己的操作系统
/ 1. 定义工具的输入/输出结构score: u8,// 2. 实现 Tool trait"对指定代码文件进行静态审查，返回问题列表和改进建议"// 解析输入（JSON-LD 格式自动反序列化）;// 模拟代码审查逻辑format!("{}:{} 存在未处理的 unwrap()", parsed.file_path, 42),format!("{}:{} 函数过长（>100行）", parsed.file_path, 15),],"使用?
2026-07-09 07:57:42
811
原创 微服务资源优化新思路：Sablier + Podman 实现按需启动与自动休眠
在资源紧张的生产环境中，运行着大量微服务却只有有限的服务器资源，这是许多团队面临的现实困境。Java 微服务动辄占用几个 G 的内存，即使业务空闲时也丝毫不减，服务器资源被白白浪费。传统的解决方案往往围绕“优化 Java 启动速度”展开——CDS、Lazy Init、TieredStopAtLevel=1……这些手段确实有效，但治标不治本。服务空闲时，为什么还要让它占着资源？，实现微服务的按需启动与自动休眠，在不改变业务代码的前提下，将资源利用率提升到一个新的高度。维度优势资源节省。
2026-07-08 16:49:34
376
原创 Gliding Horse 时间感知系统：让 AI Agent 真正“感知“时间流逝
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。
2026-07-08 10:30:01
1260
原创 media_agent 进化之路：把 Gliding Horse 的 Agent 超能力注入 ComfyUI，让图片生成自己“学会”优化
阶段关键组件作用意图理解把自然语言转为结构化任务技能匹配找到最优技能组合和模型兼容性检查确保 LoRA、Checkpoint、Sampler 兼容工作流编译生成可执行 DAG执行与监控执行并实时感知输出变化经验积累记录成功率，自动优化后续推荐。
2026-07-04 08:01:44
640
原创 我用 Rust 写了个 AI 媒体管家：Gliding Horse 赋能 media_agent，目标是让 ComfyUI 工作流彻底自动化
本文深入介绍如何用 Rust 构建 AI Agent 操作系统 Gliding Horse，并将其能力注入 ComfyUI 图片生成领域，打造出 media_agent 自动化工作流系统。文章详细解析了动态 PDCA 编排、JSON‑LD 语义总线、33+ 自定义节点、13 种模型架构支持等核心技术，并通过与传统 ComfyUI 的对比，展示 Agent 驱动的图片/视频生成如何从“手工作坊”进化为“自动化流水线”。
2026-07-03 11:55:19
327
原创 【Agent Harness】Gliding Horse 上下文感知与智能压缩：让 Agent 的“注意力”永不偏移
Gliding Horse 通过 RelevanceTracker 双维度评分、L1 淘汰策略增强、ContextWindowManager 感知压缩和后台话题连贯性分析，构建了一套完整的上下文相关性感知与智能压缩系统。该系统解决了多轮对话中 Agent 面临的话题漂移和信息过载两大核心痛点，实现了 LLM 注意力窗口的精细化管理，使 Token 利用率提升 20-40%，话题切换响应从被动淘汰升级为主动检测，补充输入可靠性得到根本保障。这套系统是让 Agent 从“能跑”走向“长跑”的关键基础设施。
2026-07-03 08:27:56
332
原创 【Agent Harness】Gliding Horse 根因分析引擎：从“头痛医头”到“三维会诊”
本文深入解析 Gliding Horse 根因分析引擎的设计哲学与架构演进，展示如何通过 GraphBackend 抽象层统一图遍历、快照与特征提取能力，构建跨越执行面、结构面与语义面的三维融合诊断系统。文章涵盖从模块重构到系统集成的完整实践，适合关注 AI 可观测性、多 Agent 系统稳定性与智能运维的开发者阅读。
2026-07-02 08:02:58
363
原创 【Agent Harness】Gliding Horse L2 作战地图深度优化：给多 Agent 上下文装上“精准导航”
L2 作战地图是 Gliding Horse 多 Agent 协作的基石。只解决“看得见”还不够，必须解决“只看该看的”。通过多维索引、上下文过滤和投影引擎深度集成，Gliding Horse 的每个 Agent 终于拥有了一个干净、专注的工作空间，这或许就是 AI 协作从“草台班子”走向“专业团队”的关键一步。
2026-07-02 07:48:59
398
原创 左脚踩右脚进击多模态：用 Agent 自进化训练，让 VLM 与视频生成模型真正“长出眼睛和导演思维”
核心思想：用模型自己扮演 Agent，在环境中执行复杂任务，记录每一步“思考-行动-观察”的完整轨迹，然后把这些轨迹作为训练数据，微调或强化模型自身。为什么叫左脚踩右脚：模型生成数据 → 用数据训练模型 → 更强的模型生成更高质量的数据 → 再训练，形成自力更生的正反馈闭环。训练什么：不仅是最终答案，更重要的是工具使用、长程规划、多步推理和上下文自主压缩等“行动派”能力。这个闭环在纯文本 LLM 领域已经被 AgentBank、自蒸馏（SDFT）、过程奖励（PRM）等工作验证有效。
2026-07-01 07:30:16
340
原创 左脚踩右脚：让 LLM 自进化的 Agent 轨迹训练法——为什么它能补上主流范式的最后一块拼图
本文所提的“左脚踩右脚”训练法，本质上是一个工程化正反馈系统：利用 Agent 的过程数据来强化模型，再用更强的模型去产生更好的数据。它并非完全脱离外部信号的“永动机”，而是把人工标注压力转移到了验证者设计和数据过滤上。如何让模型在真实交互中成长，而不仅仅在静态文本里读书？主流方法给了模型知识和语言，本文方法给了模型行动和进化的能力。两者合在一起，才构成通往更高阶 AI 的完整拼图。模型在多轮任务中“蠢笨”但找不着训练数据；上下文窗口总被无效信息塞爆；Agent 推理成本居高不下；
2026-07-01 07:27:15
238
原创 【Agent Harness】Gliding Horse 设计细节 -- 不跟风开发自己的AI Agent
❌ 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;important;fill:none;color:#333;color:#333;
2026-06-30 07:20:47
522
原创 【Agent Harness】Gliding Horse 核心设计理念，不跟风开发自己的AI Agent
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改进？目的：提供带持续反馈的迭代执行时机：贯穿任务生命周期fill:#333;important。
2026-06-30 07:10:39
673
原创 【Agent Harness】从“提示词玩具”到“认知操作系统”：Gliding Horse 如何重新定义 AI Agent
几个月前，我在做一个多 Agent 协作的软件工程实验时，被市面上的 AI 编码工具折磨得够呛。Claude Code 聊了 20 轮忘了第 3 轮的约定，Codex CLI 在多个任务间切换时状态全丢，OpenClaw 的 Skill 管理一多就变成灾难……这些工具都很强，但都像“聪明但散漫的实习生”——你需要时刻盯着，关键事情还得自己把关。于是我决定自己动手。不是写一个 Prompt 模板或编排脚本，而是从零构建一个 AI Agent 操作系统。它叫Gliding Horse（流马）
2026-06-29 17:31:32
348
原创 【Agent Harness】Gliding Horse 的 L2 作战地图：让多 Agent 协作从“摸黑”变成“透明”
Gliding Horse 的 L2 黑板设计，本质上是一套多 Agent 操作系统的进程管理表。它借鉴了操作系统中进程控制块（PCB）、资源分配表、死锁检测等经典思想，将它们适配到了 AI Agent 的协作场景中。当你的系统需要同时运行数十个 Agent，并且要求它们安全、高效地协作时，这样一张“作战地图”就不再是锦上添花，而是必备的基础设施。
2026-06-29 08:10:22
887
原创 Gliding Horse（流马）项目深度分析报告--来自智谱Agent模式
分析日期：2026-06-26仓库地址：https://github.com/doiito/gliding_horse最新提交：50e1acb（2026-06-26 18:30:00 “update system prompt”）分析方法：git clone 全量源码 + 逐模块代码审阅 + 作者博客交叉比对 + 编译验证。
2026-06-27 13:39:30
219
原创 【Agent Harness】Gliding Horse 工具结果压缩体系：如何用“指针”驯服上下文膨胀
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。
2026-06-27 09:08:42
1696
原创 【Agent Harness实战】AI Agent Adoption Report 2026 来自流马（Gliding Horse））
报告目的: 本报告基于78+权威来源的220+数据点，系统呈现2026年AI Agent市场全景。涵盖市场规模、企业采用率、行业分布、投资趋势、ROI指标、应用场景、技术生态、挑战障碍、成本分析和人才格局十大维度，为企业决策者提供战略参考。
2026-06-26 09:56:59
1190
原创 【Agent Harness】Gliding Horse 上下文动态感知与智能压缩：让 Agent 真正“听得进”每一句话
上下文管理是 Agent 系统的基石。我们通过借鉴 CPU 缓存原理，引入动态相关性感知，修复关键 bug，让 Gliding Horse 的 Agent 真正具备了“动态注意力”。它知道哪些信息值得牢记，哪些可以遗忘，并在用户插话时及时响应。这套设计充分发挥了 Gliding Horse 的事件总线、分层记忆、Hook 机制和 Batch Agent 框架的优势，将上下文管理从“静态窗口”升级为“智能感知与自适应淘汰”。。
2026-06-26 09:32:51
371
原创 【Agent Harness】TPS的“自工程完结”教会了我一件事：别把Bug留给下一道工序
在流马里，每个阶段的产出物（需求文档、设计文档、代码、测试报告）都必须满足一个提前定义好的SHACL契约——一种结构化的质量标准。比如，需求Agent产出的PRD文档，契约会规定它必须包含：功能模块列表（至少一个）、用户角色定义、核心业务流程图、明确的验收条件。编码Agent产出的代码，契约会要求所有函数有类型注解、所有公开API有文档注释、单元测试覆盖率不低于80%。这些契约不是AI自己猜的，是人提前定好的。就像丰田工厂里每个工位都有一个明确的质量标准清单，工人在干活前就知道“什么叫合格”。
2026-06-25 16:13:26
316
原创 【Agent Harness】Gliding Horse 记忆系统深度剖析：像 CPU 一样思考的 AI 记忆架构
L1 直接服务于 LLM 的上下文窗口，是记忆系统中对 Token 最敏感的一层。它并不保存完整的对话内容，而是将每一轮 LLM 的summary输出串联成一条摘要链。pub l0_archive_iri: Option<String>, // 完整内容在 L0 的地址pub relevance_score: f32, // 当前任务关联度pub is_supplement: bool, // 是否为补充输入两阶段语义淘汰当摘要链的 Token 总量超出预算时，L1 并非简单截断，而是执行一个。
2026-06-25 07:33:33
373
原创 【Agent Harness】Gliding Horse 的Token经济学：用 IRI 指针替代文本，让 Token 花在刀刃上
多轮对话是 Agent 工作的常态。流马采用分层摘要链L1 工作记忆：每轮 LLM 回复中强制要求输出summary字段，由系统追加到 L1 的摘要缓冲区。这些摘要极短（几十字），累积起来也只占极少 Token。L0 归档：完整的thought推理过程和content回答内容被存档到 L0，并返回 IRI（如淘汰保留 IRI：当 L1 摘要过多触发淘汰时，被淘汰的摘要不会消失，而是将其对应的 IRI 移入“弱引用”列表，仍然可以在需要时找回。
2026-06-24 20:52:33
335
原创 【Agent Harness】Gliding Horse 给 Agent OS 装上双曲空间引擎与默克尔树边云同步
将 HyperspaceEngine 增加到 Gliding Horse，并不是简单地替换一个向量数据库，而是为整个 Agent OS 注入一套层次化感知、边云协同、极致性能的记忆与同步基础设施。它让技能图谱真正“长”在双曲空间里，让分布式的 Agent 实例能够像生物体一样同步自己的“大脑”，也让每一次上下文检索都快如闪电。不重新发明轮子，而是将最好的轮子组装成一辆能征服任何地形的越野车。。
2026-06-24 15:35:34
718
原创 【Agent Harness】Gliding Horse 中 JSON‑LD 的深度设计：从“能用”到“可靠”的语义总线
通过这些精心设计，Gliding Horse 中的 JSON‑LD 不再是简单的序列化格式，而是一套完整的语义基础设施设计项解决的问题架构收益有意设计防止过度工程化保持系统轻量、高性能，避免不必要的复杂度统一上下文多套映射冲突单一数据源，类型安全，消除字段歧义IRI 注册表IRI 散落难以发现全系统可寻址，支持审计与去重聚焦展开跨上下文互操作预留扩展性，不影响热路径性能共享审计日志临时共享无法追溯提供完整流转记录，满足合规要求命名空间注册命名空间校验失效动态、准确的合法性校验。
2026-06-23 17:34:51
647
原创 【Agent Harness】Gliding Horse 本体论系统设计：给 AI Agent 装上“语义大脑”
如何让 Agent 真正“理解”它产出的每一条数据的含义，而不仅仅是生成文本？LLM 擅长生成内容，但弱于遵守精确的结构化约束。一个 Agent 产出的 JSON-LD 文档可能缺少必填字段，或者引用了不存在的实体。在简单的单 Agent 场景里，这些问题可以人工兜底，但当一个工程由需求、设计、编码、测试等多个阶段的多个 Agent 协作完成时，数据一致性和语义正确性就成了生死线。为了解决这个问题，我决定为流马装上一个“语义大脑”——一套完整的本体论系统。它不是事后校验，而是。
2026-06-23 14:49:49
1540
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人