1. 为什么是 5W2H PDCA所有可执行工作的通用框架1.1 结构化执行的两大支柱Gliding Horse Agent OS 建立在两个通用框架之上它们是处理任何任务的基础5W2HWhat-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专业模型技能扩展通用框架始终必需基础流程可选技能可选技能可选技能可选技能5W2H━━━━━━━━任务本体明确要做什么PDCA 循环━━━━━━━━执行模型定义如何执行SWOT 分析战略定位5 Whys根因分析SMART 目标目标细化看板工作流可视化可执行任务为什么两者缺一不可任何可执行任务 5W2H意图清晰度 PDCA系统性执行框架角色缺少它会怎样5W2H定义做什么目标模糊 → 期望偏离PDCA定义如何迭代执行混乱实施 → 缺乏质量控制完整工作流ActAgentCheckAgentDoAgentPlanAgentSupervisorAgentUserActAgentCheckAgentDoAgentPlanAgentSupervisorAgentUser步骤 1提取 5W2H(What/Why/Who/When/Where/How/HowMuch)提交任务请求执行 PLAN 阶段生成微流程 DAG返回执行计划执行 DO 阶段调用工具写入产物返回实施结果执行 CHECK 阶段按 5W2H 维度审计返回审计裁决执行 ACT 阶段决策通过/回滚/终止最终决定交付结果 归档1.2 5W2H任务本体5W2H 捕捉了任何可执行工作的完整本质。如果你无法清晰阐述所有 7 个维度任务本质上是不可执行的。为什么 5W2H 不可替代维度回答的问题缺失的后果What做什么需要做什么无清晰目标 → 盲目执行Why为什么为什么重要无动机/优先级 → 低参与度Who谁做谁负责问责缺失 → 无人负责When何时必须何时完成无截止日期 → 永远拖延Where何地在哪里执行上下文模糊 → 错误环境How怎么做如何执行无方法 → 混乱实施How Much多少资源可用资源预算超支 → 项目失败任一维度的模糊性都会导致干系人之间的期望不一致资源配置不当时间、预算、人员无法衡量成功或失败审计失败和问责缺失1.3 PDCA通用化执行模型与传统管理型 PDCA 不同Gliding Horse 实现了通用化计算型 PDCA能够适应任务复杂度七个复杂度级别级别类型PDCA 适配示例L0即时任务单轮无需 PDCA现在几点L1简单任务单次 PDCA 循环写一个 Python 脚本L2标准任务完整 PDCA 结构化审计分析 Q2 销售数据L3复杂项目多智能体并行 Do 阶段构建 REST API 测试L4探索型任务多 DA 并行不同策略研究最佳技术栈L5递归任务子任务生成子 PDCA 循环重构整个代码库L6紧急模式跳过 Plan立即 Do-Check立即修复生产 Bug关键创新Supervisor Agent 根据5W2H 元数据分析动态选择合适的 PDCA 模式而非僵化的模板。这使得同一个编排引擎既能处理简单的查询也能处理持续数周的工程项目。1.4 专业模型作为技能扩展在 Gliding Horse Agent OS 中SWOT、5 Whys、SMART 等专业模型被实现为技能图谱系统中的可复用技能。当 5W2H 元数据表明适用时它们被调用{ task:5W2H: { what: 分析市场竞争, why: 识别战略定位机会, how: { preferredSkills: [skill:swot-analysis, skill:porter-five-forces] } } }此设计确保一致性每个任务都有相同的结构基础5W2H PDCA可扩展性专业分析方法作为可插拔技能可审计性CA 可独立验证每个维度模式识别具有类似 5W2H 配置的历史任务触发相关技能推荐2. JSON-LD 简化用法连接 LLM 与知识图谱2.1 挑战LLM 不擅长生成复杂的 JSON-LD 结构。它们擅长生成自然语言和简单的 JSON 对象。然而系统需要 JSON-LD 来实现全局实体标识id语义类型type字段名规范化context深度控制以管理 Token 预算2.2 我们的解决方案Harness 引擎混合方案我们使用一个翻译层Harness Engine将简单的 LLM 输出转换为 JSON-LD 节点存储层Harness 引擎处理LLM 输出简单 JSON按需加载{think: Planning...,contents: CREATE TABLE...,summary: Schema designed}Harness Engine━━━━━━━━1. 按 JSON Schema 验证2. 转换为 JSON-LD 节点3. 分配 id4. 写入 L0 存储L0 持久存储━━━━━━━━redb KV HyperspaceEngine全保真归档L2 Oxigraph 内存━━━━━━━━内存 RDF快速查询 ~2ms2.3 LLM 响应结构针对存储效率优化{ think: Analyzing user request for database schema design..., contents: CREATE TABLE users (id UUID PRIMARY KEY, email VARCHAR(255) UNIQUE NOT NULL);, summary: Database schema for user table with UUID primary key and unique email constraint }为什么采用三字段结构字段用途存储策略检索模式think思维链推理归档至 L0调试 / 可追溯性contents完整详细输出归档至 L0缺页故障时加载summary简洁摘要索引至 L2快速上下文概览存储与检索机制步骤 1: LLM 生成 think/contents/summary → 三个字段均以 id: memory:session-001/block-042 归档至 L0 → summary 同时在 L2 中建立索引以快速访问 步骤 2: Agent 需要下一轮上下文 → L2 返回 summary~50 tokens作为轻量级上下文 → L1 上下文窗口保持小巧 步骤 3: 用户要求查看详情显示完整的 SQL → 系统检测到需要完整内容 → 触发缺页故障通过 IRI 引用从 L0 加载 contents → 返回完整 SQL 语句 结果L1/L2 保持精简L0 保存全保真通过 IRI 按需加载类比 CPU 虚拟内存概念CPU 架构Gliding Horse 内存工作集RAM快速、有限L2 Oxigraph快速~2ms页表虚拟→物理映射IRI 引用缺页故障磁盘 → RAM 加载L0 → L2 加载交换空间磁盘存储L0 redb HyperspaceEngine此设计实现了✅性能L2 内存查询延迟 ~2ms✅可扩展性L0 磁盘存储容量无限✅Token 经济性基于摘要的 L1/L2 上下文Token 使用最小化✅可追溯性think/contents 完整保留于 L0 供调试✅互操作性JSON-LD 支持跨智能体数据共享2.4 Harness 引擎的角色Harness 引擎充当了以下两者之间的翻译层LLM 的舒适区包含 think/contents/summary 的简单 JSON系统的需求包含 id、type、context 的 JSON-LD用于互操作处理流程// 说明转换过程的伪代码 let llm_output llm_client.generate(prompt).await?; // 返回简单 JSON // 步骤 1按 JSON Schema 验证 validation_engine.validate(llm_output.contents, skill.input_schema)?; // 步骤 2转换为 JSON-LD 节点 let jsonld_node json!({ id: format!(memory:{}/block-{}, session_id, block_counter), type: [mem:MemoryBlock, exec:TaskResult], mem:think: llm_output.think, mem:contents: llm_output.contents, mem:summary: llm_output.summary, mem:embedding: embedding_service.index(llm_output.contents).await? }); // 步骤 3写入 L0 持久存储全保真归档 l0_manager.insert_node(jsonld_node)?; // 步骤 4在 L2 中建立摘要索引以便快速访问 l2_manager.index_summary(jsonld_node[id], llm_output.summary)?;此设计分离了关注点L0全保真归档think contents summaryL2快速访问工作集summary 元数据L1活跃上下文窗口仅摘要受 Token 约束2.5 实战代码示例Python 调用 Harness 引擎下面是一个完整的 Python 示例展示如何将 LLM 的简单 JSON 输出转换为符合系统规范的 JSON-LD 节点并写入存储层。代码包含详细的注释和错误处理。 harness_client.py — Gliding Horse Harness 引擎 Python 客户端示例 功能接收 LLM 的 think/contents/summary 输出转换为 JSON-LD 节点 执行 Schema 校验并写入 L0 持久存储与 L2 索引。 import json import uuid import hashlib import logging from datetime import datetime, timezone from typing import Optional, TypedDict # 配置日志 logging.basicConfig(levellogging.INFO, format%(asctime)s [%(levelname)s] %(message)s) logger logging.getLogger(__name__) # ────────────────────────────────────────────── # 1. 类型定义 # ────────────────────────────────────────────── class LLMOutput(TypedDict, totalFalse): LLM 输出的标准三字段结构 think: str # 思维链推理过程 contents: str # 完整详细输出 summary: str # 简洁摘要用于 L2 索引 class JSONLDNode(TypedDict, totalFalse): 转换后的 JSON-LD 节点 id: str type: list[str] context: dict mem:think: str mem:contents: str mem:summary: str mem:embedding: Optional[list[float]] mem:createdAt: str # ────────────────────────────────────────────── # 2. Schema 校验器 # ────────────────────────────────────────────── class SchemaValidator: 模拟 JSON Schema 校验器。 生产环境可替换为 jsonschema 库或 SHACL 引擎。 REQUIRED_FIELDS {think, contents, summary} classmethod def validate(cls, data: dict, schema_name: str default) - bool: 校验 LLM 输出是否符合基本 Schema。 Args: data: LLM 输出的字典 schema_name: Schema 名称预留扩展 Returns: True 通过校验否则抛出 ValueError Raises: ValueError: 缺少必填字段或字段类型错误 # 检查必填字段 missing cls.REQUIRED_FIELDS - set(data.keys()) if missing: raise ValueError(fSchema 校验失败缺少字段: {missing}) # 检查字段类型 for field in cls.REQUIRED_FIELDS: if not isinstance(data.get(field), str): raise ValueError( fSchema 校验失败字段 {field} 应为字符串 f实际类型: {type(data.get(field)).__name__} ) # 检查字段长度防止空字符串 for field in cls.REQUIRED_FIELDS: if not data[field].strip(): raise ValueError(fSchema 校验失败字段 {field} 为空) logger.info(Schema 校验通过 (schema%s), schema_name) return True # ────────────────────────────────────────────── # 3. 嵌入服务模拟 # ────────────────────────────────────────────── class EmbeddingService: 模拟向量嵌入服务生产环境可替换为 OpenAI/text2vec 等 staticmethod async def index(text: str) - list[float]: 生成文本的向量嵌入。 此处用文本的 SHA-256 哈希的前 16 字节模拟嵌入向量 仅作演示用途。生产环境应调用真实的嵌入模型。 hash_bytes hashlib.sha256(text.encode(utf-8)).digest()[:16] embedding [b / 255.0 for b in hash_bytes] # 归一化到 [0, 1] logger.debug(生成嵌入向量维度%d, len(embedding)) return embedding # ────────────────────────────────────────────── # 4. 存储管理器模拟 # ────────────────────────────────────────────── class L0StorageManager: 模拟 L0 持久存储redb KV HyperspaceEngine def __init__(self): self._store: dict[str, dict] {} async def insert_node(self, node: dict) - str: 将 JSON-LD 节点写入 L0 存储。 Args: node: 完整的 JSON-LD 节点字典 Returns: 节点的 id node_id node.get(id, unknown) self._store[node_id] node logger.info(L0 存储: 已写入节点 %s (大小: %d bytes), node_id, len(json.dumps(node, ensure_asciiFalse))) return node_id def get_node(self, node_id: str) - Optional[dict]: 按 id 读取节点 return self._store.get(node_id) class L2IndexManager: 模拟 L2 内存索引Oxigraph 摘要索引 def __init__(self): self._index: dict[str, str] {} async def index_summary(self, node_id: str, summary: str) - None: 在 L2 中建立摘要索引。 Args: node_id: 节点的 id summary: 摘要文本 self._index[node_id] summary logger.info(L2 索引: 已索引节点 %s (摘要长度: %d chars), node_id, len(summary)) def search_by_summary(self, keyword: str) - list[str]: 按关键词搜索摘要演示用 return [ nid for nid, summary in self._index.items() if keyword.lower() in summary.lower() ] # ────────────────────────────────────────────── # 5. Harness 引擎核心 # ────────────────────────────────────────────── class HarnessEngine: Harness 引擎LLM 简单 JSON → JSON-LD 节点的翻译层。 职责 1. 校验 LLM 输出是否符合 Schema 2. 分配全局唯一 id 3. 构建 JSON-LD 节点含 type、context 4. 生成向量嵌入 5. 写入 L0 持久存储 6. 在 L2 中建立摘要索引 # JSON-LD 上下文定义可扩展 DEFAULT_CONTEXT { vocab: https://agent-harness.os/memory#, mem: https://agent-harness.os/memory#, exec: https://agent-harness.os/execution#, xsd: http://www.w3.org/2001/XMLSchema#, } def __init__( self, session_id: str, validator: Optional[SchemaValidator] None, embedding_service: Optional[EmbeddingService] None, l0_manager: Optional[L0StorageManager] None, l2_manager: Optional[L2IndexManager] None, ): self.session_id session_id self.block_counter 0 self.validator validator or SchemaValidator() self.embedding_service embedding_service or EmbeddingService() self.l0_manager l0_manager or L0StorageManager() self.l2_manager l2_manager or L2IndexManager() async def process_llm_output(self, llm_output: LLMOutput) - JSONLDNode: 处理 LLM 输出返回完整的 JSON-LD 节点。 Args: llm_output: LLM 输出的三字段字典 Returns: 转换后的 JSON-LD 节点 Raises: ValueError: Schema 校验失败 RuntimeError: 存储写入失败 # 步骤 1Schema 校验 try: self.validator.validate(llm_output, schema_namellm_output_v1) except ValueError as e: logger.error(LLM 输出校验失败: %s, e) raise # 步骤 2分配 id self.block_counter 1 node_id fmemory:{self.session_id}/block-{self.block_counter:03d} # 步骤 3生成向量嵌入 try: embedding await self.embedding_service.index(llm_output[contents]) except Exception as e: logger.warning(嵌入生成失败跳过: %s, e) embedding None # 步骤 4构建 JSON-LD 节点 now datetime.now(timezone.utc).isoformat() jsonld_node: JSONLDNode { id: node_id, type: [mem:MemoryBlock, exec:TaskResult], context: self.DEFAULT_CONTEXT, mem:think: llm_output[think], mem:contents: llm_output[contents], mem:summary: llm_output[summary], mem:createdAt: now, } if embedding is not None: jsonld_node[mem:embedding] embedding # 步骤 5写入 L0 持久存储 try: await self.l0_manager.insert_node(jsonld_node) except Exception as e: raise RuntimeError(fL0 写入失败: {e}) from e # 步骤 6在 L2 中建立摘要索引 try: await self.l2_manager.index_summary(node_id, llm_output[summary]) except Exception as e: logger.warning(L2 索引失败不影响主流程: %s, e) logger.info(Harness 处理完成: %s, node_id) return jsonld_node # ────────────────────────────────────────────── # 6. 使用示例 # ────────────────────────────────────────────── async def main(): 演示 Harness 引擎的完整工作流程 # 初始化引擎 engine HarnessEngine( session_idfsession-{uuid.uuid4().hex[:8]}, validatorSchemaValidator(), embedding_serviceEmbeddingService(), l0_managerL0StorageManager(), l2_managerL2IndexManager(), ) # 模拟 LLM 输出 llm_response: LLMOutput { think: ( 用户请求设计数据库 Schema。 分析需求需要用户表包含 UUID 主键和唯一邮箱约束。 选择 PostgreSQL 作为目标数据库。 ), contents: ( CREATE TABLE users (\n id UUID PRIMARY KEY,\n email VARCHAR(255) UNIQUE NOT NULL,\n created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP\n ); ), summary: 为用户表设计了 PostgreSQL Schema包含 UUID 主键和唯一邮箱约束, } print( * 60) print(Harness 引擎实战演示) print( * 60) # 步骤 1处理 LLM 输出 print(\n[1] 接收 LLM 输出:) print(json.dumps(llm_response, ensure_asciiFalse, indent2)) try: node await engine.process_llm_output(llm_response) except (ValueError, RuntimeError) as e: print(f\n[错误] 处理失败: {e}) return # 步骤 2查看转换后的 JSON-LD 节点 print(\n[2] 转换后的 JSON-LD 节点:) print(json.dumps(node, ensure_asciiFalse, indent2, defaultstr)) # 步骤 3验证存储 print(\n[3] 验证存储:) stored engine.l0_manager.get_node(node[id]) if stored: print(f ✅ L0 存储: 节点 {node[id]} 已持久化) else: print(f ❌ L0 存储: 节点未找到) # 步骤 4验证 L2 索引 print(\n[4] L2 索引搜索 (用户表):) results engine.l2_manager.search_by_summary(用户表) if results: for rid in results: print(f ✅ 找到: {rid}) else: print( ⚠️ 未找到匹配关键词不精确) # 步骤 5错误处理演示 print(\n[5] 错误处理演示 — 传入空字段:) try: bad_input: LLMOutput {think: , contents: some SQL, summary: test} await engine.process_llm_output(bad_input) except ValueError as e: print(f ✅ 正确捕获错误: {e}) print(\n * 60) print(演示完成) print( * 60) # ────────────────────────────────────────────── # 7. 入口 # ────────────────────────────────────────────── if __name__ __main__: import asyncio asyncio.run(main())代码要点说明模块职责关键设计SchemaValidator校验 LLM 输出完整性检查必填字段、类型、非空可扩展为 jsonschema/SHACLEmbeddingService生成向量嵌入演示用 SHA-256 模拟生产环境替换为真实模型L0StorageManager全保真持久存储模拟 redb KV支持按 id 读写L2IndexManager摘要快速索引模拟 Oxigraph 内存索引支持关键词搜索HarnessEngine核心翻译层串联校验→ID分配→嵌入→构建→存储→索引全流程运行方式# 安装依赖生产环境需额外安装 jsonschema、openai 等 pip install aiohttp # 运行示例 python harness_client.py预期输出片段[1] 接收 LLM 输出: { think: 用户请求设计数据库 Schema..., contents: CREATE TABLE users (...);, summary: 为用户表设计了 PostgreSQL Schema... } [2] 转换后的 JSON-LD 节点: { id: memory:session-a1b2c3d4/block-001, type: [mem:MemoryBlock, exec:TaskResult], mem:think: 用户请求设计数据库 Schema..., mem:contents: CREATE TABLE users (...);, mem:summary: 为用户表设计了 PostgreSQL Schema..., mem:createdAt: 2026-06-30T07:09:0700:00 } [5] 错误处理演示 — 传入空字段: ✅ 正确捕获错误: Schema 校验失败字段 think 为空此示例完整展示了 Harness 引擎的核心翻译流程可直接作为集成参考或扩展起点。3. 通用知识图谱认知骨干3.1 集成架构Gliding Horse Agent OS 实现了统一知识图谱通过 JSON-LD 和 Oxigraph 无缝集成五个核心子系统集成层核心子系统JSON-LD 节点RDF 三元组AST 提取的事实5W2H 元数据序列化格式验证后的节点验证后的节点验证后的节点验证后的节点技能图谱━━━━━━━━15 个模块动态进化L0-L3 记忆系统━━━━━━━━受 CPU 缓存启发MESI 一致性知识图谱━━━━━━━━代码 AST RDF 三元组SPARQL 查询5W2H 任务本体━━━━━━━━结构化意图建模维度级审计JSON-LD 数据总线━━━━━━━━通用互操作id/type/contextOxigraph 存储━━━━━━━━命名图SPARQL 1.1 引擎Harness 引擎━━━━━━━━LLM↔JSON-LD 翻译模式验证关键创新不为技能、记忆、任务和代码知识维护独立的数据库所有数据通过命名图隔离存在于同一个 Oxigraph 存储中。这使得跨子系统查询SPARQL 可以联合查询技能定义、任务历史和代码产物统一索引向量嵌入HyperspaceEngine通过mem:embedding链接到 RDF 节点一致的标识id确保同一实体在所有上下文中被一致识别3.2 实际示例端到端工作流让我们追踪这些组件在真实场景中如何协同工作场景用户请求将认证模块重构为使用 JWT步骤 1任务初始化5W2H 提取{ id: task:auth-refactor-001, type: task:RefactoringTask, task:5W2H: { what: 用 JWT 替换基于 Session 的认证, why: 提升可扩展性支持无状态微服务, who: { requiredRole: agent:Do }, when: { deadline: 2026-06-01T18:00:00Z }, where: { targetRepository: github.com/myorg/auth-svc }, how: {}, howMuch: { tokenBudget: 10000 } } }→ 存入 L2 黑板Oxigraph 命名图blackboard:task-001步骤 2技能发现SPARQL 查询PREFIX skill: https://agent-harness.os/skill# SELECT ?skill WHERE { GRAPH system:skills { ?skill a skill:AtomicSkill ; skill:tags ?tag . FILTER(CONTAINS(LCASE(?tag), jwt)) FILTER(?skill/maturity IN (production, stable)) } }→ 返回skill:rust-jwt-auth,skill:jwt-validation-middleware步骤 3代码知识提取AST 解析# Tree-sitter 提取现有认证代码结构 tree-sitter parse src/auth.rs --json ast_output.json→ 转换为 RDF 三元组code:AuthModule a code:RustModule ; code:hasFunction code:session_validate ; code:locatedAt src/auth.rs:42-156 .→ 存入 L0 持久图谱system:knowledge步骤 4规划PA 生成微流程 DAGPA 读取 5W2H 约束 技能定义 代码结构 → 生成执行计划{ id: plan:auth-refactor-001, plan:steps: [ { order: 1, action: 添加 jsonwebtoken 依赖, skill: skill:cargo-add }, { order: 2, action: 定义 Claims 结构体, skill: skill:rust-struct-design }, { order: 3, action: 实现 Token 签发, skill: skill:rust-jwt-auth }, { order: 4, action: 替换 Session 中间件, skill: skill:jwt-validation-middleware } ] }步骤 5执行DA 调用工具// DA 通过 Harness 引擎调用工具 let result harness.execute_tool( skill:rust-jwt-auth, json!({ secretKey: env::var(JWT_SECRET) }) ).await?; // Harness 按 SHACL 模式校验输入 // 用 Ed25519 签名调用 // 将结果写入 L2id: blackboard:task-001/step-3-result步骤 6检查CA 按 5W2H 维度审计{ auditBy5W2H: { what: { verdict: PASS, evidence: JWT 实现完成 }, why: { verdict: PASS, evidence: 无状态认证已实现 }, when: { verdict: PASS, evidence: 截止日期前完成 }, howMuch: { verdict: WARNING, evidence: Token 预算已使用 85% } } }步骤 7归档与学习AA 更新技能图谱# 更新技能统计 INSERT { skill:rust-jwt-auth skill:graphMeta ?newMeta . ?newMeta skill:usageCount 48 ; skill:successRate 0.92 . } WHERE { skill:rust-jwt-auth skill:graphMeta ?oldMeta . # 计算新成功率... }结果整个工作流利用了✅5W2H进行结构化任务定义和审计✅JSON-LD进行可互操作的数据交换✅技能图谱提供可复用的能力✅知识图谱进行代码理解✅L0-L3 记忆实现高效的上下文管理✅Oxigraph作为统一存储后端3.3 性能特征操作延迟机制L2 节点插入~2msOxigraph 内存 INSERTL3 SPARQL 查询~15msCONSTRUCT Frame 投影L0 向量搜索~1msHyperspaceEngine HNSW 索引技能发现~20msSPARQL 向量相似度代码 AST 解析~100msTree-sitter 增量解析Harness 验证~5msJSON Schema SHACL 检查可扩展性L2 支持约 500 ops/sec适用于活跃任务工作集L0 可扩展到数百万节点磁盘存储 压缩命名图提供逻辑隔离而无需性能代价4. 技能图谱与知识图谱融合自进化认知架构这是 Gliding Horse 区别于所有同类系统的一项根本性架构创新。传统设计中技能Skills是静态指令文件知识Knowledge是外部检索的文本块两者彼此割裂。Gliding Horse 基于 JSON‑LD 语义总线将技能、知识碎片、经验教训统一表达为图节点使 Skill Graph 与 Knowledge Graph 天然融为一体。4.1 三层自进化能力经验自动回写每个任务完成后AA决策 Agent自动从执行轨迹中提取失败模式、新关联和成功路径以 KnowledgeFragment 形式挂载到对应技能节点上。下次执行同类任务时这些碎片作为免疫情报自动注入上下文避免重复踩坑。技能图自生长当 DA执行 Agent遇到现有技能无法覆盖的问题时系统触发/learn机制SA 自动创建新技能草稿节点并建立与现有图谱的语义链接/reduce机制则从解决方案中提炼出标准化步骤使技能从草稿演化为已验证状态。信任与成熟度演化每个技能节点携带successRate、usageCount、maturity等运行时指标。随着成功执行的累积技能自动从experimental → stable → production升级信任体系逐层传递无需人工干预。4.2 与同类系统的对比维度其他 Agent 框架Gliding Horse技能组织静态 Markdown 文件或代码函数需人工维护JSON‑LD 图节点6 种语义链接可遍历、可推理知识经验独立于技能的向量库文本块无结构化关联经验碎片作为技能节点的附属图节点自动挂载注入技能演化依赖开发者手动更新版本或重写AA 自动回写成功率、失败模式成熟度自动升级技能发现按文件名或标签匹配SPARQL 语义查询 链接遍历沿 Prerequisite/Related/Alternative 边发现最优技能链上下文效率全量技能描述注入五级渐进式投影按需从 MOC → 摘要 → 链接 → 步骤 → 全文逐层加载Token 节省 90%4.3 行业现状两条技术路线各走各路纯向量检索RAG方案LangChain Pinecone/Chroma语义模糊匹配强但无法表达A是B的父类这类结构化关系实体间的精确关系淹没在向量空间里。纯知识图谱方案Neo4j SPARQL精确关系查询强但无法处理跟这个意思差不多的模糊匹配需要精确 IRI 或关键词才能命中。行业痛点是大多数系统选择其中一条路或者简单拼接先向量搜、再图谱查或反过来两者之间缺乏统一的语义总线来调度和融合结果。4.4 统一方案JSON‑LD IRI 作为统一地址总线Gliding Horse 从根本上解决了这个割裂问题结果融合调度双通道检索引擎统一语义总线查询入口IRI 列表子图用户 / Agent 查询JSON-LD IRI 地址总线所有实体和文档都有唯一 IRIHyperspaceEngine语义近似匹配返回相似文档/实体的 IRI 列表Oxigraph 图数据库精确关系遍历SPARQL 查询实体间关系L3 投影引擎根据查询类型智能调度- 模糊概念 → 先向量再图谱- 精确查询 → 直接图谱- 混合查询 → 双通道并行融合结果既有语义相近的文档又有精确的实体关系图三个关键创新IRI 作为统一标识符HyperspaceEngine 中每个嵌入向量都对应一个 IRIhyperspace:embedding → urn:memory:session-042/block-017向量检索返回的是一组 IRI而非孤立的文本块。IRI 作为桥梁拿到 IRI 后L3 投影引擎立即在 Oxigraph 中执行 SPARQL 查询获取该实体的所有关联属性、上下游关系、历史版本实现向量语义与图结构的无缝衔接。双向互检索用户也可先在图谱中精确定位某个实体再通过该实体的嵌入向量在 HyperspaceEngine 中找到语
1. 为什么是 5W2H PDCA所有可执行工作的通用框架1.1 结构化执行的两大支柱Gliding Horse Agent OS 建立在两个通用框架之上它们是处理任何任务的基础5W2HWhat-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专业模型技能扩展通用框架始终必需基础流程可选技能可选技能可选技能可选技能5W2H━━━━━━━━任务本体明确要做什么PDCA 循环━━━━━━━━执行模型定义如何执行SWOT 分析战略定位5 Whys根因分析SMART 目标目标细化看板工作流可视化可执行任务为什么两者缺一不可任何可执行任务 5W2H意图清晰度 PDCA系统性执行框架角色缺少它会怎样5W2H定义做什么目标模糊 → 期望偏离PDCA定义如何迭代执行混乱实施 → 缺乏质量控制完整工作流ActAgentCheckAgentDoAgentPlanAgentSupervisorAgentUserActAgentCheckAgentDoAgentPlanAgentSupervisorAgentUser步骤 1提取 5W2H(What/Why/Who/When/Where/How/HowMuch)提交任务请求执行 PLAN 阶段生成微流程 DAG返回执行计划执行 DO 阶段调用工具写入产物返回实施结果执行 CHECK 阶段按 5W2H 维度审计返回审计裁决执行 ACT 阶段决策通过/回滚/终止最终决定交付结果 归档1.2 5W2H任务本体5W2H 捕捉了任何可执行工作的完整本质。如果你无法清晰阐述所有 7 个维度任务本质上是不可执行的。为什么 5W2H 不可替代维度回答的问题缺失的后果What做什么需要做什么无清晰目标 → 盲目执行Why为什么为什么重要无动机/优先级 → 低参与度Who谁做谁负责问责缺失 → 无人负责When何时必须何时完成无截止日期 → 永远拖延Where何地在哪里执行上下文模糊 → 错误环境How怎么做如何执行无方法 → 混乱实施How Much多少资源可用资源预算超支 → 项目失败任一维度的模糊性都会导致干系人之间的期望不一致资源配置不当时间、预算、人员无法衡量成功或失败审计失败和问责缺失1.3 PDCA通用化执行模型与传统管理型 PDCA 不同Gliding Horse 实现了通用化计算型 PDCA能够适应任务复杂度七个复杂度级别级别类型PDCA 适配示例L0即时任务单轮无需 PDCA现在几点L1简单任务单次 PDCA 循环写一个 Python 脚本L2标准任务完整 PDCA 结构化审计分析 Q2 销售数据L3复杂项目多智能体并行 Do 阶段构建 REST API 测试L4探索型任务多 DA 并行不同策略研究最佳技术栈L5递归任务子任务生成子 PDCA 循环重构整个代码库L6紧急模式跳过 Plan立即 Do-Check立即修复生产 Bug关键创新Supervisor Agent 根据5W2H 元数据分析动态选择合适的 PDCA 模式而非僵化的模板。这使得同一个编排引擎既能处理简单的查询也能处理持续数周的工程项目。1.4 专业模型作为技能扩展在 Gliding Horse Agent OS 中SWOT、5 Whys、SMART 等专业模型被实现为技能图谱系统中的可复用技能。当 5W2H 元数据表明适用时它们被调用{ task:5W2H: { what: 分析市场竞争, why: 识别战略定位机会, how: { preferredSkills: [skill:swot-analysis, skill:porter-five-forces] } } }此设计确保一致性每个任务都有相同的结构基础5W2H PDCA可扩展性专业分析方法作为可插拔技能可审计性CA 可独立验证每个维度模式识别具有类似 5W2H 配置的历史任务触发相关技能推荐2. JSON-LD 简化用法连接 LLM 与知识图谱2.1 挑战LLM 不擅长生成复杂的 JSON-LD 结构。它们擅长生成自然语言和简单的 JSON 对象。然而系统需要 JSON-LD 来实现全局实体标识id语义类型type字段名规范化context深度控制以管理 Token 预算2.2 我们的解决方案Harness 引擎混合方案我们使用一个翻译层Harness Engine将简单的 LLM 输出转换为 JSON-LD 节点存储层Harness 引擎处理LLM 输出简单 JSON按需加载{think: Planning...,contents: CREATE TABLE...,summary: Schema designed}Harness Engine━━━━━━━━1. 按 JSON Schema 验证2. 转换为 JSON-LD 节点3. 分配 id4. 写入 L0 存储L0 持久存储━━━━━━━━redb KV HyperspaceEngine全保真归档L2 Oxigraph 内存━━━━━━━━内存 RDF快速查询 ~2ms2.3 LLM 响应结构针对存储效率优化{ think: Analyzing user request for database schema design..., contents: CREATE TABLE users (id UUID PRIMARY KEY, email VARCHAR(255) UNIQUE NOT NULL);, summary: Database schema for user table with UUID primary key and unique email constraint }为什么采用三字段结构字段用途存储策略检索模式think思维链推理归档至 L0调试 / 可追溯性contents完整详细输出归档至 L0缺页故障时加载summary简洁摘要索引至 L2快速上下文概览存储与检索机制步骤 1: LLM 生成 think/contents/summary → 三个字段均以 id: memory:session-001/block-042 归档至 L0 → summary 同时在 L2 中建立索引以快速访问 步骤 2: Agent 需要下一轮上下文 → L2 返回 summary~50 tokens作为轻量级上下文 → L1 上下文窗口保持小巧 步骤 3: 用户要求查看详情显示完整的 SQL → 系统检测到需要完整内容 → 触发缺页故障通过 IRI 引用从 L0 加载 contents → 返回完整 SQL 语句 结果L1/L2 保持精简L0 保存全保真通过 IRI 按需加载类比 CPU 虚拟内存概念CPU 架构Gliding Horse 内存工作集RAM快速、有限L2 Oxigraph快速~2ms页表虚拟→物理映射IRI 引用缺页故障磁盘 → RAM 加载L0 → L2 加载交换空间磁盘存储L0 redb HyperspaceEngine此设计实现了✅性能L2 内存查询延迟 ~2ms✅可扩展性L0 磁盘存储容量无限✅Token 经济性基于摘要的 L1/L2 上下文Token 使用最小化✅可追溯性think/contents 完整保留于 L0 供调试✅互操作性JSON-LD 支持跨智能体数据共享2.4 Harness 引擎的角色Harness 引擎充当了以下两者之间的翻译层LLM 的舒适区包含 think/contents/summary 的简单 JSON系统的需求包含 id、type、context 的 JSON-LD用于互操作处理流程// 说明转换过程的伪代码 let llm_output llm_client.generate(prompt).await?; // 返回简单 JSON // 步骤 1按 JSON Schema 验证 validation_engine.validate(llm_output.contents, skill.input_schema)?; // 步骤 2转换为 JSON-LD 节点 let jsonld_node json!({ id: format!(memory:{}/block-{}, session_id, block_counter), type: [mem:MemoryBlock, exec:TaskResult], mem:think: llm_output.think, mem:contents: llm_output.contents, mem:summary: llm_output.summary, mem:embedding: embedding_service.index(llm_output.contents).await? }); // 步骤 3写入 L0 持久存储全保真归档 l0_manager.insert_node(jsonld_node)?; // 步骤 4在 L2 中建立摘要索引以便快速访问 l2_manager.index_summary(jsonld_node[id], llm_output.summary)?;此设计分离了关注点L0全保真归档think contents summaryL2快速访问工作集summary 元数据L1活跃上下文窗口仅摘要受 Token 约束2.5 实战代码示例Python 调用 Harness 引擎下面是一个完整的 Python 示例展示如何将 LLM 的简单 JSON 输出转换为符合系统规范的 JSON-LD 节点并写入存储层。代码包含详细的注释和错误处理。 harness_client.py — Gliding Horse Harness 引擎 Python 客户端示例 功能接收 LLM 的 think/contents/summary 输出转换为 JSON-LD 节点 执行 Schema 校验并写入 L0 持久存储与 L2 索引。 import json import uuid import hashlib import logging from datetime import datetime, timezone from typing import Optional, TypedDict # 配置日志 logging.basicConfig(levellogging.INFO, format%(asctime)s [%(levelname)s] %(message)s) logger logging.getLogger(__name__) # ────────────────────────────────────────────── # 1. 类型定义 # ────────────────────────────────────────────── class LLMOutput(TypedDict, totalFalse): LLM 输出的标准三字段结构 think: str # 思维链推理过程 contents: str # 完整详细输出 summary: str # 简洁摘要用于 L2 索引 class JSONLDNode(TypedDict, totalFalse): 转换后的 JSON-LD 节点 id: str type: list[str] context: dict mem:think: str mem:contents: str mem:summary: str mem:embedding: Optional[list[float]] mem:createdAt: str # ────────────────────────────────────────────── # 2. Schema 校验器 # ────────────────────────────────────────────── class SchemaValidator: 模拟 JSON Schema 校验器。 生产环境可替换为 jsonschema 库或 SHACL 引擎。 REQUIRED_FIELDS {think, contents, summary} classmethod def validate(cls, data: dict, schema_name: str default) - bool: 校验 LLM 输出是否符合基本 Schema。 Args: data: LLM 输出的字典 schema_name: Schema 名称预留扩展 Returns: True 通过校验否则抛出 ValueError Raises: ValueError: 缺少必填字段或字段类型错误 # 检查必填字段 missing cls.REQUIRED_FIELDS - set(data.keys()) if missing: raise ValueError(fSchema 校验失败缺少字段: {missing}) # 检查字段类型 for field in cls.REQUIRED_FIELDS: if not isinstance(data.get(field), str): raise ValueError( fSchema 校验失败字段 {field} 应为字符串 f实际类型: {type(data.get(field)).__name__} ) # 检查字段长度防止空字符串 for field in cls.REQUIRED_FIELDS: if not data[field].strip(): raise ValueError(fSchema 校验失败字段 {field} 为空) logger.info(Schema 校验通过 (schema%s), schema_name) return True # ────────────────────────────────────────────── # 3. 嵌入服务模拟 # ────────────────────────────────────────────── class EmbeddingService: 模拟向量嵌入服务生产环境可替换为 OpenAI/text2vec 等 staticmethod async def index(text: str) - list[float]: 生成文本的向量嵌入。 此处用文本的 SHA-256 哈希的前 16 字节模拟嵌入向量 仅作演示用途。生产环境应调用真实的嵌入模型。 hash_bytes hashlib.sha256(text.encode(utf-8)).digest()[:16] embedding [b / 255.0 for b in hash_bytes] # 归一化到 [0, 1] logger.debug(生成嵌入向量维度%d, len(embedding)) return embedding # ────────────────────────────────────────────── # 4. 存储管理器模拟 # ────────────────────────────────────────────── class L0StorageManager: 模拟 L0 持久存储redb KV HyperspaceEngine def __init__(self): self._store: dict[str, dict] {} async def insert_node(self, node: dict) - str: 将 JSON-LD 节点写入 L0 存储。 Args: node: 完整的 JSON-LD 节点字典 Returns: 节点的 id node_id node.get(id, unknown) self._store[node_id] node logger.info(L0 存储: 已写入节点 %s (大小: %d bytes), node_id, len(json.dumps(node, ensure_asciiFalse))) return node_id def get_node(self, node_id: str) - Optional[dict]: 按 id 读取节点 return self._store.get(node_id) class L2IndexManager: 模拟 L2 内存索引Oxigraph 摘要索引 def __init__(self): self._index: dict[str, str] {} async def index_summary(self, node_id: str, summary: str) - None: 在 L2 中建立摘要索引。 Args: node_id: 节点的 id summary: 摘要文本 self._index[node_id] summary logger.info(L2 索引: 已索引节点 %s (摘要长度: %d chars), node_id, len(summary)) def search_by_summary(self, keyword: str) - list[str]: 按关键词搜索摘要演示用 return [ nid for nid, summary in self._index.items() if keyword.lower() in summary.lower() ] # ────────────────────────────────────────────── # 5. Harness 引擎核心 # ────────────────────────────────────────────── class HarnessEngine: Harness 引擎LLM 简单 JSON → JSON-LD 节点的翻译层。 职责 1. 校验 LLM 输出是否符合 Schema 2. 分配全局唯一 id 3. 构建 JSON-LD 节点含 type、context 4. 生成向量嵌入 5. 写入 L0 持久存储 6. 在 L2 中建立摘要索引 # JSON-LD 上下文定义可扩展 DEFAULT_CONTEXT { vocab: https://agent-harness.os/memory#, mem: https://agent-harness.os/memory#, exec: https://agent-harness.os/execution#, xsd: http://www.w3.org/2001/XMLSchema#, } def __init__( self, session_id: str, validator: Optional[SchemaValidator] None, embedding_service: Optional[EmbeddingService] None, l0_manager: Optional[L0StorageManager] None, l2_manager: Optional[L2IndexManager] None, ): self.session_id session_id self.block_counter 0 self.validator validator or SchemaValidator() self.embedding_service embedding_service or EmbeddingService() self.l0_manager l0_manager or L0StorageManager() self.l2_manager l2_manager or L2IndexManager() async def process_llm_output(self, llm_output: LLMOutput) - JSONLDNode: 处理 LLM 输出返回完整的 JSON-LD 节点。 Args: llm_output: LLM 输出的三字段字典 Returns: 转换后的 JSON-LD 节点 Raises: ValueError: Schema 校验失败 RuntimeError: 存储写入失败 # 步骤 1Schema 校验 try: self.validator.validate(llm_output, schema_namellm_output_v1) except ValueError as e: logger.error(LLM 输出校验失败: %s, e) raise # 步骤 2分配 id self.block_counter 1 node_id fmemory:{self.session_id}/block-{self.block_counter:03d} # 步骤 3生成向量嵌入 try: embedding await self.embedding_service.index(llm_output[contents]) except Exception as e: logger.warning(嵌入生成失败跳过: %s, e) embedding None # 步骤 4构建 JSON-LD 节点 now datetime.now(timezone.utc).isoformat() jsonld_node: JSONLDNode { id: node_id, type: [mem:MemoryBlock, exec:TaskResult], context: self.DEFAULT_CONTEXT, mem:think: llm_output[think], mem:contents: llm_output[contents], mem:summary: llm_output[summary], mem:createdAt: now, } if embedding is not None: jsonld_node[mem:embedding] embedding # 步骤 5写入 L0 持久存储 try: await self.l0_manager.insert_node(jsonld_node) except Exception as e: raise RuntimeError(fL0 写入失败: {e}) from e # 步骤 6在 L2 中建立摘要索引 try: await self.l2_manager.index_summary(node_id, llm_output[summary]) except Exception as e: logger.warning(L2 索引失败不影响主流程: %s, e) logger.info(Harness 处理完成: %s, node_id) return jsonld_node # ────────────────────────────────────────────── # 6. 使用示例 # ────────────────────────────────────────────── async def main(): 演示 Harness 引擎的完整工作流程 # 初始化引擎 engine HarnessEngine( session_idfsession-{uuid.uuid4().hex[:8]}, validatorSchemaValidator(), embedding_serviceEmbeddingService(), l0_managerL0StorageManager(), l2_managerL2IndexManager(), ) # 模拟 LLM 输出 llm_response: LLMOutput { think: ( 用户请求设计数据库 Schema。 分析需求需要用户表包含 UUID 主键和唯一邮箱约束。 选择 PostgreSQL 作为目标数据库。 ), contents: ( CREATE TABLE users (\n id UUID PRIMARY KEY,\n email VARCHAR(255) UNIQUE NOT NULL,\n created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP\n ); ), summary: 为用户表设计了 PostgreSQL Schema包含 UUID 主键和唯一邮箱约束, } print( * 60) print(Harness 引擎实战演示) print( * 60) # 步骤 1处理 LLM 输出 print(\n[1] 接收 LLM 输出:) print(json.dumps(llm_response, ensure_asciiFalse, indent2)) try: node await engine.process_llm_output(llm_response) except (ValueError, RuntimeError) as e: print(f\n[错误] 处理失败: {e}) return # 步骤 2查看转换后的 JSON-LD 节点 print(\n[2] 转换后的 JSON-LD 节点:) print(json.dumps(node, ensure_asciiFalse, indent2, defaultstr)) # 步骤 3验证存储 print(\n[3] 验证存储:) stored engine.l0_manager.get_node(node[id]) if stored: print(f ✅ L0 存储: 节点 {node[id]} 已持久化) else: print(f ❌ L0 存储: 节点未找到) # 步骤 4验证 L2 索引 print(\n[4] L2 索引搜索 (用户表):) results engine.l2_manager.search_by_summary(用户表) if results: for rid in results: print(f ✅ 找到: {rid}) else: print( ⚠️ 未找到匹配关键词不精确) # 步骤 5错误处理演示 print(\n[5] 错误处理演示 — 传入空字段:) try: bad_input: LLMOutput {think: , contents: some SQL, summary: test} await engine.process_llm_output(bad_input) except ValueError as e: print(f ✅ 正确捕获错误: {e}) print(\n * 60) print(演示完成) print( * 60) # ────────────────────────────────────────────── # 7. 入口 # ────────────────────────────────────────────── if __name__ __main__: import asyncio asyncio.run(main())代码要点说明模块职责关键设计SchemaValidator校验 LLM 输出完整性检查必填字段、类型、非空可扩展为 jsonschema/SHACLEmbeddingService生成向量嵌入演示用 SHA-256 模拟生产环境替换为真实模型L0StorageManager全保真持久存储模拟 redb KV支持按 id 读写L2IndexManager摘要快速索引模拟 Oxigraph 内存索引支持关键词搜索HarnessEngine核心翻译层串联校验→ID分配→嵌入→构建→存储→索引全流程运行方式# 安装依赖生产环境需额外安装 jsonschema、openai 等 pip install aiohttp # 运行示例 python harness_client.py预期输出片段[1] 接收 LLM 输出: { think: 用户请求设计数据库 Schema..., contents: CREATE TABLE users (...);, summary: 为用户表设计了 PostgreSQL Schema... } [2] 转换后的 JSON-LD 节点: { id: memory:session-a1b2c3d4/block-001, type: [mem:MemoryBlock, exec:TaskResult], mem:think: 用户请求设计数据库 Schema..., mem:contents: CREATE TABLE users (...);, mem:summary: 为用户表设计了 PostgreSQL Schema..., mem:createdAt: 2026-06-30T07:09:0700:00 } [5] 错误处理演示 — 传入空字段: ✅ 正确捕获错误: Schema 校验失败字段 think 为空此示例完整展示了 Harness 引擎的核心翻译流程可直接作为集成参考或扩展起点。3. 通用知识图谱认知骨干3.1 集成架构Gliding Horse Agent OS 实现了统一知识图谱通过 JSON-LD 和 Oxigraph 无缝集成五个核心子系统集成层核心子系统JSON-LD 节点RDF 三元组AST 提取的事实5W2H 元数据序列化格式验证后的节点验证后的节点验证后的节点验证后的节点技能图谱━━━━━━━━15 个模块动态进化L0-L3 记忆系统━━━━━━━━受 CPU 缓存启发MESI 一致性知识图谱━━━━━━━━代码 AST RDF 三元组SPARQL 查询5W2H 任务本体━━━━━━━━结构化意图建模维度级审计JSON-LD 数据总线━━━━━━━━通用互操作id/type/contextOxigraph 存储━━━━━━━━命名图SPARQL 1.1 引擎Harness 引擎━━━━━━━━LLM↔JSON-LD 翻译模式验证关键创新不为技能、记忆、任务和代码知识维护独立的数据库所有数据通过命名图隔离存在于同一个 Oxigraph 存储中。这使得跨子系统查询SPARQL 可以联合查询技能定义、任务历史和代码产物统一索引向量嵌入HyperspaceEngine通过mem:embedding链接到 RDF 节点一致的标识id确保同一实体在所有上下文中被一致识别3.2 实际示例端到端工作流让我们追踪这些组件在真实场景中如何协同工作场景用户请求将认证模块重构为使用 JWT步骤 1任务初始化5W2H 提取{ id: task:auth-refactor-001, type: task:RefactoringTask, task:5W2H: { what: 用 JWT 替换基于 Session 的认证, why: 提升可扩展性支持无状态微服务, who: { requiredRole: agent:Do }, when: { deadline: 2026-06-01T18:00:00Z }, where: { targetRepository: github.com/myorg/auth-svc }, how: {}, howMuch: { tokenBudget: 10000 } } }→ 存入 L2 黑板Oxigraph 命名图blackboard:task-001步骤 2技能发现SPARQL 查询PREFIX skill: https://agent-harness.os/skill# SELECT ?skill WHERE { GRAPH system:skills { ?skill a skill:AtomicSkill ; skill:tags ?tag . FILTER(CONTAINS(LCASE(?tag), jwt)) FILTER(?skill/maturity IN (production, stable)) } }→ 返回skill:rust-jwt-auth,skill:jwt-validation-middleware步骤 3代码知识提取AST 解析# Tree-sitter 提取现有认证代码结构 tree-sitter parse src/auth.rs --json ast_output.json→ 转换为 RDF 三元组code:AuthModule a code:RustModule ; code:hasFunction code:session_validate ; code:locatedAt src/auth.rs:42-156 .→ 存入 L0 持久图谱system:knowledge步骤 4规划PA 生成微流程 DAGPA 读取 5W2H 约束 技能定义 代码结构 → 生成执行计划{ id: plan:auth-refactor-001, plan:steps: [ { order: 1, action: 添加 jsonwebtoken 依赖, skill: skill:cargo-add }, { order: 2, action: 定义 Claims 结构体, skill: skill:rust-struct-design }, { order: 3, action: 实现 Token 签发, skill: skill:rust-jwt-auth }, { order: 4, action: 替换 Session 中间件, skill: skill:jwt-validation-middleware } ] }步骤 5执行DA 调用工具// DA 通过 Harness 引擎调用工具 let result harness.execute_tool( skill:rust-jwt-auth, json!({ secretKey: env::var(JWT_SECRET) }) ).await?; // Harness 按 SHACL 模式校验输入 // 用 Ed25519 签名调用 // 将结果写入 L2id: blackboard:task-001/step-3-result步骤 6检查CA 按 5W2H 维度审计{ auditBy5W2H: { what: { verdict: PASS, evidence: JWT 实现完成 }, why: { verdict: PASS, evidence: 无状态认证已实现 }, when: { verdict: PASS, evidence: 截止日期前完成 }, howMuch: { verdict: WARNING, evidence: Token 预算已使用 85% } } }步骤 7归档与学习AA 更新技能图谱# 更新技能统计 INSERT { skill:rust-jwt-auth skill:graphMeta ?newMeta . ?newMeta skill:usageCount 48 ; skill:successRate 0.92 . } WHERE { skill:rust-jwt-auth skill:graphMeta ?oldMeta . # 计算新成功率... }结果整个工作流利用了✅5W2H进行结构化任务定义和审计✅JSON-LD进行可互操作的数据交换✅技能图谱提供可复用的能力✅知识图谱进行代码理解✅L0-L3 记忆实现高效的上下文管理✅Oxigraph作为统一存储后端3.3 性能特征操作延迟机制L2 节点插入~2msOxigraph 内存 INSERTL3 SPARQL 查询~15msCONSTRUCT Frame 投影L0 向量搜索~1msHyperspaceEngine HNSW 索引技能发现~20msSPARQL 向量相似度代码 AST 解析~100msTree-sitter 增量解析Harness 验证~5msJSON Schema SHACL 检查可扩展性L2 支持约 500 ops/sec适用于活跃任务工作集L0 可扩展到数百万节点磁盘存储 压缩命名图提供逻辑隔离而无需性能代价4. 技能图谱与知识图谱融合自进化认知架构这是 Gliding Horse 区别于所有同类系统的一项根本性架构创新。传统设计中技能Skills是静态指令文件知识Knowledge是外部检索的文本块两者彼此割裂。Gliding Horse 基于 JSON‑LD 语义总线将技能、知识碎片、经验教训统一表达为图节点使 Skill Graph 与 Knowledge Graph 天然融为一体。4.1 三层自进化能力经验自动回写每个任务完成后AA决策 Agent自动从执行轨迹中提取失败模式、新关联和成功路径以 KnowledgeFragment 形式挂载到对应技能节点上。下次执行同类任务时这些碎片作为免疫情报自动注入上下文避免重复踩坑。技能图自生长当 DA执行 Agent遇到现有技能无法覆盖的问题时系统触发/learn机制SA 自动创建新技能草稿节点并建立与现有图谱的语义链接/reduce机制则从解决方案中提炼出标准化步骤使技能从草稿演化为已验证状态。信任与成熟度演化每个技能节点携带successRate、usageCount、maturity等运行时指标。随着成功执行的累积技能自动从experimental → stable → production升级信任体系逐层传递无需人工干预。4.2 与同类系统的对比维度其他 Agent 框架Gliding Horse技能组织静态 Markdown 文件或代码函数需人工维护JSON‑LD 图节点6 种语义链接可遍历、可推理知识经验独立于技能的向量库文本块无结构化关联经验碎片作为技能节点的附属图节点自动挂载注入技能演化依赖开发者手动更新版本或重写AA 自动回写成功率、失败模式成熟度自动升级技能发现按文件名或标签匹配SPARQL 语义查询 链接遍历沿 Prerequisite/Related/Alternative 边发现最优技能链上下文效率全量技能描述注入五级渐进式投影按需从 MOC → 摘要 → 链接 → 步骤 → 全文逐层加载Token 节省 90%4.3 行业现状两条技术路线各走各路纯向量检索RAG方案LangChain Pinecone/Chroma语义模糊匹配强但无法表达A是B的父类这类结构化关系实体间的精确关系淹没在向量空间里。纯知识图谱方案Neo4j SPARQL精确关系查询强但无法处理跟这个意思差不多的模糊匹配需要精确 IRI 或关键词才能命中。行业痛点是大多数系统选择其中一条路或者简单拼接先向量搜、再图谱查或反过来两者之间缺乏统一的语义总线来调度和融合结果。4.4 统一方案JSON‑LD IRI 作为统一地址总线Gliding Horse 从根本上解决了这个割裂问题结果融合调度双通道检索引擎统一语义总线查询入口IRI 列表子图用户 / Agent 查询JSON-LD IRI 地址总线所有实体和文档都有唯一 IRIHyperspaceEngine语义近似匹配返回相似文档/实体的 IRI 列表Oxigraph 图数据库精确关系遍历SPARQL 查询实体间关系L3 投影引擎根据查询类型智能调度- 模糊概念 → 先向量再图谱- 精确查询 → 直接图谱- 混合查询 → 双通道并行融合结果既有语义相近的文档又有精确的实体关系图三个关键创新IRI 作为统一标识符HyperspaceEngine 中每个嵌入向量都对应一个 IRIhyperspace:embedding → urn:memory:session-042/block-017向量检索返回的是一组 IRI而非孤立的文本块。IRI 作为桥梁拿到 IRI 后L3 投影引擎立即在 Oxigraph 中执行 SPARQL 查询获取该实体的所有关联属性、上下游关系、历史版本实现向量语义与图结构的无缝衔接。双向互检索用户也可先在图谱中精确定位某个实体再通过该实体的嵌入向量在 HyperspaceEngine 中找到语
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
