华为支持的 openJiuwen 又添一块关键拼图:本体(Ontology)平台已经开源,位置在 agent-solution 仓的 common/knowledge-scaffold/。至此,"企业级 Agent 该怎么落地"这件事,openJiuwen 给出了完整的三件套——agent-core 管执行、agent-runtime 管运行、agent-solution 管行业方案与本体。
本文全部内容来自仓库代码与文档:四个仓的源码(含 knowledge-scaffold 的 20 篇特性设计文档与 consumer/docs/04-参考指南/设计方案.md)、官方 README、ReleaseNote,以及公开报道。全文分三块:三块基石怎么分工 → 本体平台怎么实现 → 谁配什么、谁调什么。
勘误声明(重要):上一篇我写过"「本体」在 openJiuwen 里并不存在"。这个结论是错的,本文第四章起全部重写。错因很具体:我上次只检索了 GitHub 组织(24 个仓)与官方文档仓,而 agent-solution 仓根本没有镜像到 GitHub,它只在 AtomGit / GitCode。以本文为准。一、先给结论
- openJiuwen 的定位是"Agent 操作系统",不试图覆盖 Agentic AI 全栈:向下亲和模型与算力,向上使能各类智能体。
- 三块基石分工明确,别混着看:
agent-core回答"一个 Agent 内部怎么跑",agent-runtime回答"Agent 怎么被企业系统可靠调用",agent-solution回答"具体行业怎么落地、知识语义怎么进得来"。 - 本体平台把 openJiuwen 从"会回答"推向"算得对"。它用可版本化的知识包(
kind: ontology-package)定义业务对象、操作、规则、指标、确定性脚本与数据映射,把"术语理解"和"数值计算"从模型手里拿回来。 - 它的成熟度超出预期:
knowledge-scaffold自带 20 篇特性设计文档,覆盖统一异步运行时、工具与子 Agent、知识包导入、版本锁定、多 Provider 数据接入、图谱双层隔离、证据链、确定性执行、沙箱、业务 CheckPoint、记忆与演化、Solver 求解与独立验证、多协议接入、认证工作空间、分层配置、可观测、SDK、部署升级、控制台。这是一套跑过工程化的设计,不是概念稿。 - 本体平台开源的是"运行期消费"部分:Consumer(控制台 + API + 工作区运行时)、独立 auth-server、可选 Solver。知识包建模工作台在独立仓库,不在本仓内。
- 对比结论要修正:上一版我说"业务语义层是它管不到的空白",现在这块有了开放实现。自研的价值点从"必须自己造"收敛为"权限与口径的治理权必须自持"。
二、openJiuwen 全貌
2.1 三种开发范式(官方自己的分法)
| 范式 | 用谁 | 场景 |
|---|---|---|
| 低代码智能体 | Agent Studio | 可视化拖拽搭 Agent 与 Workflow,快速验证 |
| 复杂任务智能体 | JiuwenSwarm | 自然语言驱动多智能体协作,处理复杂长链路任务 |
| 企业级智能体 | Agent Solution | 面向业务系统,构建可长期运行、可治理、可集成的智能体 |
官方对这套分法的注解是:上层开发范式不同、运行方式不同,底层共享 Agent Core 的核心能力。
2.2 仓群地图(这次把家底列全)
| 代码托管 | 仓数 | 说明 |
|---|---|---|
AtomGit / GitCode openJiuwen | 25 | 主战场,含 agent-solution、agent-store、skillhub |
GitHub openJiuwen-ai | 24 | 镜像,缺 agent-solution 与 agent-store |
⚠️ 这个差异是实打实的踩坑点:只在 GitHub 上翻,会漏掉整个企业方案仓——包括本文主角本体平台。上一版文章就是这么漏的。
核心仓一览:
| 类别 | 仓库 | 说明 |
|---|---|---|
| 执行内核 | agent-core / agent-core-java | Python / Java SDK:Agent 编排、运行时、模型、工具、检索、评测 |
| 企业运行 | agent-runtime / agent-runtime-java | Agent 服务化运行、会话与生命周期管理 |
| 企业方案 | agent-solution | 客户端 / 总线 / 运行时扩展 / 框架扩展 / 自进化 / 通用 Agent / 本体平台 |
| 互操作 | agent-protocol(C++) | MCP SDK + A2A SDK + A2X Registry |
| 记忆 | agent-memory | 长期记忆:抽取、压缩、混合检索、沉淀、演化 |
| 资产 | skillhub / agent-store / agent-plugin / agent-tools | 技能托管、智能体市场、插件体系、工具生态 |
| 应用 | jiuwenswarm / deepsearch / sciencediscovery / iCode / jiuwensymbiosis | 协同旗舰、深度研究、科研、离线开发、具身 |
| 部署 | agentos-enterprise | 集成交付仓:OBS 聚合构建 + 一键部署 |
| 性能 | agent-infer / model-router | vLLM 推理框架、模型路由内核 |
2.3 版本节奏
| 版本 | 日期 | 要点 |
|---|---|---|
| v0.1.0 | 2026-07-30 | 运行时接入、Core 认知护栏、自进化引擎闭环、EDPAgent 首个版本 |
| v0.1.1 | 2026-08-30 | 客户端 / 总线 / 运行时 / Core 扩展 / 自进化五部分端到端标准化 |
| v0.1.2 | 2026-09 | Solution 发布版本 0.1.2,聚合构建与仓库治理 |
规则很明确:固定月度发布,版本号只增不改,已发布版本永久冻结。
2.4 资产体系:Agentic Hub 五类
| 资产 | 定义 | 官方原话 |
|---|---|---|
| 技能 Skill | 方法与流程,SKILL.md 为入口,可据执行经验本地自动演进 | 技能沉淀方法 |
| 连接器 Connector | 接入外部系统,管授权与作用域 | 连接器接入外部系统 |
| 插件 Plugin | 把能力组合起来,模型/工具/记忆管理可插件化按需加载 | 插件组合能力 |
| 专家 Expert | 带角色的能力包 | 专家定义角色 |
| 专家团 Expert Team | Leader + 成员专家,支持复杂任务协同 | 专家团队组织协作 |
五类资产都有完整生命周期:创建 → 安装 → 使用 → 发布 → 再次获取。Agentic Hub 首页实测显示 256 个 Swarm Skills(分类计数加起来正好 256:开发编程 32 / 办公与生产力 38 / 内容创作 35 / 多模态与媒体 28 / 数据与科研 30 / 合规与法律 28 / 生活与健康 55 / 金融与理财 10)。
三、三块基石:谁管什么
官方 README 有一张很干净的职责划分,我补上了实际仓对应与依赖坐标:
| 基石 | 回答的问题 | 管什么 | 对应仓 |
|---|---|---|---|
| Agent Core | 一个 Agent / Workflow 内部如何运行? | Agent 与 Workflow、模型调用、Tool/Skill 调用、上下文与记忆、流式/异步/并行、中断与恢复、调试与可观测 | agent-core(Python)、agent-core-java |
| Agent Runtime | 一个 Agent 如何被企业系统可靠调用并持续完成工作? | 标准 Agent Service 入口、Task 生命周期、Streaming/Async、中断与恢复、A2A 远端调用、状态管理、多租户与运行隔离、生产级治理 | agent-runtime、agent-runtime-java |
| Agent Solution | 企业具体场景怎么落地? | 客户端 SDK、A2A 网关与事件总线、注册发现、运行时扩展(适配 Versatile / AgentScope / AgentCore-ext)、Core 扩展(意图套件 / ReAct rails / Studio DSL)、自进化引擎、通用智能体 EDPAgent、本体平台 | agent-solution |
三者串起来的调用链(官方原文):
业务应用 / 企业系统
↓
Gateway / Client ← agent-solution:连接业务应用
↓
Enterprise Runtime ← agent-runtime:让 Agent 成为企业运行单元
↓
Task / State / A2A
↓
Agent Core / Workflow ← agent-core:定义 Agent 如何执行
↓
Tool / Adapter / Remote Agent
↓
企业业务系统agent-solution 自己写得很直白:它不重复实现 HTTP 接入、A2A 协议、远端 card 发现、会话编排——这些由 agent-runtime-java 提供;执行内核由 agent-core-java 提供。 依赖坐标也对得上:
<dependency><groupId>com.openjiuwen</groupId><artifactId>agent-runtime-java</artifactId><version>0.1.3</version></dependency>
<dependency><groupId>com.openjiuwen</groupId><artifactId>agent-core-java</artifactId><version>0.1.16</version></dependency>3.1 agent-solution 的模块清单
| 模块 | 作用 |
|---|---|
agent-bus | A2A 入口网关 + 事件转发总线 + 注册发现中心,三者可独立部署、按需替换 |
agent-client | JVM 客户端 SDK:服务调用、本地工具协同、流式展示、断线重连、熔断 |
agent-runtime-ext-java | 运行时扩展:服务规范扩展、自定义 REST 入口、Versatile / AgentCore-ext / AgentScope 适配器 |
agent-core-ext-java | Core 的纯 SDK 扩展:意图套件、ReAct rails、Studio DSL |
agent-evolve | 自进化引擎:数据回流 → 轨迹评估 → 优化引擎(双通道评估 + GEPA + 沙箱验证) |
agents | 具体 Agent:EDPAgent(Java/Python,金融等垂直行业的企业级动态规划智能体)、Versatile Agent |
knowledge-scaffold | 本体平台(第四章主角) |
3.2 一个佐证:连主线 README 都还没写上它
agent-solution 主 README 的模块表里目前还没有 knowledge-scaffold(该 README 最后更新于 09-24,模块表仍是 Java 那批)。这不是我推测的——是 grep 出来的事实。说明它处于"代码先落地、文档在路上"的阶段。跟版本要跟代码,别只看 README。
四、本体平台:knowledge-scaffold 深拆
4.1 它解决什么问题
官方 README 的核心一句话很克制也很准:平台解决的问题不是"让大模型记住更多内容",而是减少企业场景中的术语误解、字段猜测、规则编造和数值错算。
| 企业场景的真实问题 | 本体平台的处理方式 |
|---|---|
| 模型不了解内部术语和对象关系 | 知识包中的对象、关系、别名、操作定义建立领域语义 |
| 模型猜数据库表名或字段名 | 对象数据映射 + 独立 Provider 查询真实数据,不推测 |
| 多步数值计算容易漏算、错算 | 把计算交给知识包里的 Python 脚本,在沙箱中确定性执行 |
| 知识包升级影响已有推理 | 同一知识包多版本共存,会话锁定创建时使用的版本 |
| 推理过程难定位问题 | SSE Trace + 工具调用明细 + 脚本记录 + 评测结果 |
定位一句话:面向企业知识工程的 Agentic AI 平台。设计方案里对 V1 的定义更精确——"可部署、可扩展、可观测的企业知识消费运行时"。
4.2 知识包就是"本体"
本体以知识包(ZIP,可版本化)形态交付,服务端导入边界统一为 kind: ontology-package、schema_version: 0.1:
<package>/
├── manifest.yaml
├── index.md
├── objects/ # 业务对象、属性、别名、数据语义
│ ├── index.md
│ └── <object>.md
├── operations/ # 业务流程、计算规则、工具路由
│ ├── index.md
│ └── <operation>.md
├── rules/ # 可选:业务规则
├── metrics/ # 可选:指标口径
├── scripts/ # 可选:确定性脚本及调用说明
├── mappings/ # 可选:object-data-mappings.json
└── assets/ # 可选:受控资产官方仓内的合成案例"通用工程变更案例知识包",实打实有 9 个对象、5 个操作、5 项指标、4 份规则、1 个确定性脚本(外加离线夹具数据集)——我逐个文件数过。
① 对象定义——"实体 + 属性 + 别名 + 业务语义",摘一段真实文件:
resource: object
key: 采购订单
canonical_key: purchase_order
title: 采购订单
description: 一笔计划供应,包含订购数量、交期、状态及该订单适用的供货资格结论。
aliases:
- 采购分期
- 采购计划紧接着是一张字段表(字段 key / 中文名 / 类型 / 必填 / 业务说明 / 别名),业务说明写得非常"防幻觉":
ordered_qty:实际收货必须汇总来源批次的 receipt(不是直接信这个字段)agreed_unit_price:订单参考价,不直接作为批次安装或报废成本due_at:资格需覆盖该时刻;不是实际收货时间qualification_valid_to:必须不早于 due_at
这些注释是审查成本最高的部分——它们把"这个字段能干什么、不能干什么"写死在知识里,而不是指望模型每次悟对。
② 操作定义——把"业务流程 + 计算规则 + 工具路由 + 脚本绑定"结构化:
resource: operation
key: 业务数据查询
canonical_key: business_data_query
intent_examples:
- 指定时点PO04采购计划是否已知
- 查询P03交付的发生时间与登记时间
uses:
objects: [工程变更, 变更条目, 产品, 产品变更用料, 采购订单, 物料批次, 物料流水, 作业任务, 质量记录]
script:
key: dataset_reader
required: false三个细节值得注意:intent_examples 是给意图路由用的真实问法样例;uses.objects 声明这个操作能碰哪些对象(权限与范围约束的抓手,同时是证据索引的边界);script 绑定确定性计算脚本。输入参数里还有 cutoff(知识截止时间)——对"发生类事实同时约束发生与登记",这是处理"当时可见性"的关键设计,避免用未来数据回答过去的问题。
③ 数据映射——对象属性到真实字段的映射,路径 mappings/object-data-mappings.json:
{
"schema_version": "0.1",
"default_provider_alias": "data",
"objects": {
"工程变更": {
"provider_alias": "data",
"resource": "change_order",
"primary_key": ["change_id"],
"fields": {
"change_id": { "source": "change_id", "type": "string", "required": true },
"approved_at": { "source": "approved_at", "type": "datetime", "required": true }
}
}
}
}有这张映射,模型就没有猜表名和字段名的空间——查数据前先查映射。图 Provider 还能从对象/关系定义里解析 label、edge type、ID 属性、默认过滤条件和返回字段。
4.3 导入与安全校验
导入不是"上传解压就完事",服务端要走六步:
- 接收 ZIP,检查上传大小、条目数量、解压规模(防 zip bomb);
- 安全解压,拒绝绝对路径、目录穿越、重复路径和符号链接风险;
- 识别知识包根目录,读取并校验
manifest.yaml; - 校验必需目录、索引、资源 frontmatter、ID、对象依赖、别名与映射;
- 对目标版本执行冲突检查和原子安装;
- 更新知识包清单、视图缓存、证据索引状态和变更事件。
旧格式不隐式改写:历史 SKILL.md / object/ / logic/ / action/ / asset/ 结构要走离线转换工具(校验 → 格式探测 → 转换 → 再校验 → 输出),源包保持不变。这种"不偷偷改你数据"的态度,在企业里比多一个功能值钱。
4.4 版本语义:会话与知识版本解耦
运行期布局:
.onto-runtime/workspaces/<workspace_id>/ontologies/<ontology_id>/
├── manifest.yaml # active_version 与版本清单
└── versions/
├── 1.0.0/
└── 1.1.0/三条规则值得抄进自己的设计:
- 多版本共存:同一
ontology_id下保留多个版本目录,支持激活版本切换与按版本查看内容; - 会话锁定版本:明确选择知识包创建的会话,锁定创建时的精确版本;切换 active pointer 只影响新会话。设计方案的约束写得更硬:版本内容不可被 active pointer 切换改写;
- 被引用版本不可删:已被会话引用的版本不能直接删除,避免历史会话失去执行语义。
取舍很清楚:知识要能演进,但已发生的推理必须可复现。
4.5 运行期架构
flowchart TB
UI["React 控制台"]
SDK["Python / TypeScript SDK"]
EXT["A2A / ACP / MCP 调用方"]
AUTH["auth-server"]
API["Consumer FastAPI 与协议适配层"]
RM["AsyncRunManager"]
ES["ExecutionStore / ChatStore"]
RT["openJiuwen Runtime 与 ReAct Loop"]
TOOLS["知识、技能、记忆、数据、子 Agent 工具"]
PKG["版本化知识包"]
DATA["外部模型与业务数据 Provider"]
BOX["JiuwenBox 沙箱"]
SC["Solver Coordination"]
SOLVER["独立 OR-Tools Solver Service"]
OBS["本地观测 / Speedscope / Langfuse"]
UI --> API
SDK --> API
EXT --> API
API --> AUTH
API --> RM
RM <--> ES
RM --> RT
RT --> TOOLS
TOOLS --> PKG
TOOLS --> DATA
TOOLS --> BOX
TOOLS --> SC
SC --> SOLVER
RM --> OBS四层职责与边界(含官方明令的"禁止事项"):
| 层 | 职责 | 明确禁止 |
|---|---|---|
| 入口层(控制台 / SDK / A2A / ACP / MCP) | 认证、请求校验、workspace scope、协议转换、错误映射、输出流格式化 | 直接执行模型循环 |
应用与运行时层(AsyncRunManager 为中心) | 准入、Session 单飞、任务监督、取消、事件持久化、终态仲裁 | 直接读写内部 store 文件、直接调 Runner、把内部 RuntimeEvent 原样暴露给外部 |
| 领域能力层(知识包 / 技能 / 记忆 / 数据 / 脚本 / Evolution / Solver / 工作空间 / 配置) | 向 Runtime 提供业务能力 | 不拥有 ASGI 生命周期或 Run 终态 |
| 执行与外部资源层(模型 / 数据源 / JiuwenBox / Solver / auth-server / 观测) | 提供模型、数据、算力、身份、持久化 | 所有外部调用必须过 timeout、容量、凭据和错误分类边界 |
一个我认为最值得学的设计原则:官方写了 "核心业务对象必须有唯一 owner",并列了 16 个对象的事实源(节选):
| 对象 | Owner | 关键约束 |
|---|---|---|
| User credential | auth-server | Consumer 不保存密码哈希副本 |
| Access/refresh token | auth-server | Consumer 只验签/调 userinfo,不改写 token 事实 |
| Workspace | Consumer workspace service | 所有业务资源先做 owner/member scope |
| Run | AsyncRunManager + ExecutionStore | 唯一终态 owner;一个 HITL 响应创建新 Run |
| PublicEvent | ExecutionStore | seq 单调递增,可回放,不含未净化 secret |
| Knowledge package | OntologyRegistry / import service | 版本内容不可被 active pointer 切换改写 |
| Ontology data source | OntologyDataSourceStore | 不按知识版本复制,secret 加密/脱敏 |
| Solver coordination job | SolverJobStore | workspace + owner scope、lease、version、outbox |
| Solver attempt | OR-Tools AttemptStore | idempotency key + request digest,有限 TTL |
| Observability record | observability adapters | 只做投影,不裁决业务终态 |
这份表本身就是一份架构评审清单:每个对象谁说话算数、存在哪、不许被谁改。
4.6 统一异步运行时:Run / Turn / Session
Consumer 把一次智能体请求抽象为持久化 Run,用 Session 组织多轮会话,用 Turn 表示每次输入及其执行结果。它明确要解决五个现实问题:
- 长任务不能依赖单次 HTTP 连接存活;
- 同一会话并发请求容易产生历史覆盖和结果乱序;
- 客户端重试可能重复执行有副作用的任务;
- 模型、工具或服务异常时要形成稳定、可查询的最终状态;
- 需要用户补充信息时,任务必须可暂停并在后续请求中继续。
机制要点:
客户端提交请求
→ 校验身份、Workspace、Session 和幂等键
→ 持久化 queued Run/Turn
→ Supervisor 调度 Agent Runtime
→ 持久化并发布 agent-stream.v2 事件
→ 完成、失败、取消或 awaiting_input
→ 客户端按 run_id 查询结果或重放事件内部 Run 状态机:
queued → running → completed
→ awaiting_input
→ failed
→ cancelled四条实现细节,每一条我都觉得有实战价值:
| 设计 | 内容 |
|---|---|
| 幂等 | Idempotency-Key 支持精确重试;同一键对应不同请求时返回冲突(而不是将错就错) |
| 单飞 | 对 Session 实施单飞约束,同一会话不能同时推进多个 Turn |
| 事件可回放 | 公共事件持久化后才发布,带 Run 内单调递增 seq;SSE 断线以 seq 为游标补读,不以进程内队列作为事实源 |
| 人工交互不复活旧 Run | awaiting_input 是原 Run 的终态;用户回答会消费 checkpoint 并创建新 Run/Turn,而不是篡改原 Run |
重启恢复也写清楚了:按持久化记录识别排队、执行中、终态 Run,按规则恢复或收敛。
4.7 工具系统与子 Agent 编排
平台通过统一工具注册表向主 Agent 暴露经过筛选的能力,由统一执行器处理参数解析、权限、并发、超时、事件和结果回写。
| 工具 | 作用 |
|---|---|
ontology_context | 按知识包版本读取对象、操作、规则、指标、脚本说明及受控资产 |
ontology_evidence_search | 先检索知识证据,再按命中资源读取正文 |
business_data_search | 通过当前知识包的数据源查询业务数据 |
execute_script | 执行知识包声明的脚本或确定性处理逻辑 |
request_user_interaction | 请求输入/单选/审批,并结束当前 Run 等待回答 |
report_business_checkpoint | 上报业务阶段状态事件 |
memory | 显式读取或沉淀长期记忆 |
web_search | 在配置允许时访问联网搜索 Provider |
spawn_sub_agent | 批量派发子 Agent 并汇总结果 |
| Solver ToolCard | 按当前知识包 Operation 动态生成求解工具 |
工具可见性不是固定的——注册表会结合"调用者是主 Agent 还是子 Agent / 当前 Workspace 是否配置了相关能力 / 是否显式选了知识包及版本 / 证据、记忆、联网、Checkpoint、Solver 是否启用 / 当前运行是否允许交互与子 Agent"动态筛选,而且执行阶段会再次验证上下文,防止模型用缓存里的旧工具绕过已关闭的能力。这条"两次校验"是很容易被忽略的漏洞点。
子 Agent 编排的边界也定得很细:主 Agent 可把互相独立的任务 fan-out;子 Agent 用独立上下文执行并上报 subagent.started/progress/delta/finished;运行时限制总数、并发数、嵌套深度、单任务超时和输出大小;子 Agent 不能使用只允许主 Agent 的工具(例如业务 CheckPoint 上报);主 Agent 负责 fan-in 汇总。
还有三条硬约束,全是防幻觉的:
- 工具注册不等于模型一定调用——Operation、Prompt 和用户意图共同影响选择;
- 工具参数必须来自当前请求或权威运行上下文,不能从示例里复制业务值;
- 对脚本、Solver 等权威执行路径,失败后不能由模型自行计算一个替代结果。
4.8 业务数据接入:七个 Provider + 双层隔离
业务数据接入层把知识包定义的对象语义映射到真实数据源。Agent 通过统一的 business_data_search 查询,不直接接触数据库凭据,也不需要猜物理表名和字段名。
| Provider | 适用方式 |
|---|---|
api_gateway | 标准 Catalog + 结构化查询的第三方数据 API(不让模型生成 SQL,从 Adapter 发布的 Catalog 里选资源、操作和参数) |
nl2sql_http | 把自然语言请求交给外部 NL2SQL 服务 |
nl2sql_template | 优先匹配知识包 SQL 模板,未命中再调 NL2SQL 服务 |
mindsdb | 调用 MindsDB Agent / 查询接口 |
dataagent | 调用 DataAgent A2A REST 服务 |
neo4j | 实体、关系、路径、聚合、图结构查询 |
hugegraph | HugeGraph 顶点、边、路径查询 |
隔离模型是双层的:所有图查询必须具备 Workspace scope,并可叠加 Ontology scope,防止共享图库里的跨工作空间或跨知识包串读。Neo4j 节点查询会强制追加:
node.<workspace_property> = <workspace_value>
[AND node.<ontology_property> = <ontology_value>]四道安全约束值得单独拎出来:
- scope 属性名必须是安全图标识符,不能传入 Cypher/Gremlin 表达式;
- 模型生成的工具参数不得包含 Workspace/Ontology scope 字段;
- scope 由运行时注入,模型不能覆盖;
- 缺少 Workspace scope 时在访问后端之前就失败(fail-closed)。
还有一个反直觉但很诚实的提醒:"连接测试成功"只说明端点和认证可用,不代表每个业务对象都能查到数据;连接测试也不验证隔离字段是否存在、值是否匹配。
4.9 证据链:把"知识说了什么"和"这次查到了什么"分开
证据系统把两类事实分开管理:
| 类型 | 来源 | 用途 |
|---|---|---|
| 静态本体证据 | 由知识包内容构建索引(对象、操作、规则、指标、受控资源),按语义切分片段,保留来源路径、标题、位置、资源类型,SQLite 建词法索引与 Evidence Catalog | 证明知识包里写了什么 |
| 动态运行事实 | 由业务数据查询/图检索结果投影生成,含 Workspace/Run/Turn/知识包身份、Provider、查询范围、结果摘要、时间与来源分类 | 证明本次运行查到了什么 |
关键在于版本一致性:平台根据 manifest 语义摘要与包文件 SHA-256 构建 ontology_epoch;知识包导入、编辑、启停或版本切换时,Mutation Coordinator 更新预期 epoch,旧索引不能继续作为新版本证据。索引有 pending / building / ready / stale / failed / disabled 状态,支持失败隔离与重建;索引 stale 时检索失败关闭或提示重建,不回退到旧版本证据。
一句边界总结得很到位:静态证据证明"知识包内容",动态事实证明"本次运行结果",二者不能互相替代。 另外,凭据、内部连接详情、不应公开的工具参数不会进入公开证据响应(MCP 可以把同一 Run 的证据与工具过程投影给协议调用方)。
4.10 确定性执行:能不交给概率的就不交
只有知识包显式声明 execution.type: deterministic 的 Operation 才能进入这条分支,其余保持 ReAct 路径。执行流程:
Operation 匹配
→ 检查 deterministic 声明和 lock
→ Parser 解析当前请求
→ 缺失/歧义则请求用户输入
→ Schema 校验
→ 冻结 Provider/包/运行时依赖
→ JiuwenBox 执行 Handler
→ 输出 Schema 与修订复核
→ 持久化 authoritative result设计上有几处很硬:
- 发布/导入阶段生成
.deterministic-lock.json,锁定文件清单、摘要、路由、Parser、Handler 和 Schema; - Parser(解析业务参数)与 Handler(确定性计算)职责分离,输入输出都按 JSON Schema 验证;
workspace_id、ontology_id、版本等运行时字段由后端注入,不能由模型伪造;- 成功结果形成权威结果信封,含执行身份、包修订、运行时修订、参数/结果摘要和执行次数;
- checkpoint 与 Operation、包版本、Schema、Provider 修订绑定,任一变化都会得到
stale_checkpoint; NotApplicable可以退回普通 Agent,但安全、契约、执行或持久化错误一律失败关闭;- 明确禁止:Runtime 不允许从知识包示例、历史请求或长期记忆拼凑当前执行参数;确定性脚本失败后,模型不得自行计算并宣称权威结果。
最后一条边界说得很到位:只读、修订固定和结果持久化属于权威性的组成部分,不能任选其一。
4.11 沙箱:JiuwenBox
JiuwenBox 把知识包脚本放进独立容器执行,隔离主后端进程、文件系统、网络、凭据和资源。八条核心控制:
| # | 控制 |
|---|---|
| 1 | 独立 JiuwenBox 容器 + 专用 Python 运行时 |
| 2 | 知识包、策略、运行时以只读方式挂载 |
| 3 | 后端与沙箱通过 Unix Domain Socket 通信,不暴露通用远程执行端口 |
| 4 | 每次执行用独立工作/产物目录,限制文件数量、树深、单文件与总大小 |
| 5 | 约束脚本路径、模块导入、子进程、环境变量、随机数、当前时间和网络访问 |
| 6 | 执行超时 + stdout/stderr 大小 + 结果 JSON 大小限制 |
| 7 | Provider 凭据留在后端,脚本只拿到不透明能力 Broker |
| 8 | 执行前后复核知识包、策略、运行时和 Provider 修订,防中途漂移 |
三种执行模式分得很清楚:
| 模式 | 行为 |
|---|---|
legacy | 保持历史本地执行兼容路径 |
prefer | 优先用 JiuwenBox;对允许兼容的场景按审计规则回落 |
| 确定性执行 | 必须使用受控沙箱;不可用时直接失败 |
边界也写得很诚实:沙箱减少脚本影响面,但不能把未经审计的任意脚本自动变成可信逻辑;确定性执行不能依赖当前时间、随机源或未锁定网络响应;产物只允许写入指定目录,越界路径和符号链接会被拒绝。
4.12 Solver:模型选择与解释,求解器计算,Verifier 裁决
Solver 协调层把知识包里的求解 Operation 发布为动态 ToolCard,通过持久化作业、候选集、事实快照、Connector 和独立 Verifier 完成长周期优化任务。一句话分工:模型负责选择和解释,求解后端负责计算,Verifier 决定哪些结果可以成为权威结论。
Agent 调用 Solver ToolCard
→ 绑定/补齐输入
→ 生成候选制品和事实快照
→ 编译 ProblemIR
→ Connector 提交持久化 Job
→ Solver 返回候选结果
→ 独立 Verifier 复核
→ 持久化 Evidence
→ 投影权威结果几个克制但正确的边界:
- 候选集被规范化为内容寻址制品,避免重试时输入漂移;重试和回放必须复用同一候选集及事实快照,不能重新读实时数据后声称结果等价;
- 编译与后端无关的
ProblemIR,隔离业务语义、数据库和求解实现; - Solver Backend 不应访问业务数据库或持有业务凭据,只消费 ProblemIR / 快照;
- 客户端不直接选脚本、endpoint 或 binding,而是调用知识包发布的 ToolCard;
- 仅将验证并持久化成功的
verified_claims投影为权威结果。
当前实现范围:OR-Tools Solver 服务 + binary_ordered_route.v1 问题族示例,契约目录提供 OpenAPI、JSON Schema、样例与 TCK 一致性测试。
4.13 记忆与演化:两个受控通道,模型不能直接改知识
平台把"跨会话个性化"和"知识包流程改进"分成两条通道:
| 通道 | 内容 | 落库条件 |
|---|---|---|
| 普通长期记忆 | 用户偏好 / 画像,用户级作用域(不是公共 Workspace 知识),支持 preference、profile 等受控类型;存储时去重、合并、命中计数、来源记录 | 用户自查自管 |
| Operation Evolution | Agent 把对 Operation 的改进建议写入 proposal buffer,相似建议按 fingerprint 聚合并累计观察证据 | 人工评审(列表/导出/认可/拒绝/提升/暂存补丁),应用前做路径、版本、内容、并发修订校验 |
硬约束:模型不能直接修改知识包正式版本;Evolution proposal 只是建议,未经评审不会自动写入;知识包版本已变化时旧补丁需重新评估,不能强行套用;Memory 不替代 Session/Run checkpoint,也不应保存密钥或一次性业务数据。
4.14 认证、工作空间与 ACL
auth-server 是独立 OAuth2/OIDC 子集服务(discovery、JWKS、Token、userinfo、自助注册可关闭、Admin API)。Consumer 作为受保护资源和 BFF,用 JWT 识别用户,再通过 Workspace ACL、角色和资源归属限制访问。
| 身份 | 典型权限 |
|---|---|
| 普通成员 | 使用授权 Workspace 的聊天、会话和知识资源 |
| Workspace owner | 管理成员、知识包能力、数据源和 Workspace 配置 |
| 平台管理员 | 管理全局配置、用户、默认 Workspace 和平台级运维能力 |
| 服务身份 | 通过单独管理令牌访问内部配置或认证管理接口 |
三条边界值得抄:JWT 鉴权成功不代表拥有任意 Workspace 权限,所有资源接口仍需检查 ACL;MCP Token、用户 JWT 和服务管理令牌属于不同信任边界,不能互换;唯一 owner 原则——Consumer 不保存密码哈希副本,auth-server 不拥有 workspace 授权与业务数据隔离(那仍由 Consumer 基于登录身份裁决)。
配置也是分层的:
| 层次 | 典型内容 | 关键约束 |
|---|---|---|
| 全局 | 模型池、外部服务、系统配置 | 模型 API Key 只存全局层 |
| Workspace | 模型 profile、数据源、运行参数、观测、MCP | 通过 profile ID 选模型,不接触密钥 |
| 个人 | 偏好、主题、个人记忆 | 只影响自己 |
4.15 可观测:只解释运行,不裁决事实
平台把请求、Agent、模型、工具、子 Agent、脚本、沙箱和 Solver 阶段转换为统一运行事件,提供会话级 Trace、本地 OpenTelemetry 风格分析、可选 Langfuse 外发和 Speedscope 性能剖析。统一 run_id/session_id/turn_id/span 与父子关系。
设计原则写得很清醒:本地性能日志、Speedscope、Langfuse、Trace 和审计记录用于解释运行,不参与业务终态裁决;观测失败不能伪造 Run 成功或失败;敏感字段必须在公共事件和日志边界净化。
4.16 谁配什么、谁能调:三种"智能体"辨析
这是我在上一篇里搞混的地方,现在按代码讲清楚。先看入口层——平台只承认三种调用方:
| 调用方 | 走什么 | 谁在用 |
|---|---|---|
| React 控制台 | 后端统一 API + agent-stream.v2 | 人:配置、提问、看 Trace/Evidence |
| SDK(Python / TypeScript) | HTTP API + SSE 封装 | 业务系统的开发集成 |
| A2A / ACP / MCP 调用方 | 协议适配层 → Canonical Run | 外部 Agent / 业务平台 |
而三种调用方复用同一套 Run Manager、Session、工具链和 Workspace 权限——协议只负责认证、请求/事件映射和传输,不维护第二套 Agent 引擎。MCP 还分两个入口:Chat 走完整对话推理,Search 提供受控原子图查询、不启动完整对话推理。
所以在这个体系里,务实的区分是这样:
| 角色 | 代码里的实体 | 干什么 |
|---|---|---|
| 知识语义层 | 知识包(kind: ontology-package) | 定义对象、操作、规则、指标、脚本、映射 |
| 消费运行平台 | Consumer(官方自称"企业知识消费运行时")+ auth-server(+ 可选 Solver) | 配置与运行:配模型池、导入/版本化本体、配数据源、配能力开关(记忆/联网/CheckPoint/Solver/MCP)、提供推理与证据服务 |
| 平台内执行体 | openJiuwen ReAct 主 Agent + 子 Agent(spawn_sub_agent fan-out/fan-in)+ 动态 Solver ToolCard | 在 Workspace 权限与工具可见性边界内完成知识读取、数据查询、脚本计算、多轮交互 |
| 外部调用方 | A2A / ACP / MCP / HTTP / SDK 接入的业务应用或业务 Agent | 带自己的 Token 与 Workspace 发起 Run,复用平台能力,不重复实现推理与权限 |
一句话:Consumer 是"把本体用起来的平台",业务侧是"通过协议来用它的一方"。 谁都不需要自己再实现一遍 Agent 引擎——这正是这套架构省事的地方。
顺带说明:「消费智能体」这个词在官方仓与文档中检索仍为 0 命中。上面这张表是我按代码事实做的映射,不是官方术语。
4.17 边界与现状(说清楚,别过度解读)
| 项 | 现状 |
|---|---|
| 开源范围 | 运行期消费:Consumer(控制台 / API / 工作区运行时 / 评测)、auth-server、可选 Solver |
| 建模工作台 | 不在本开源仓,由独立建模仓库维护(从业务资料生成、检查、评测、优化、导出知识包);业务数据连接配置也不进知识包 ZIP,绑定到 Workspace + Ontology |
| Solver | 独立可选服务,不随默认启动、也不进 Consumer 发布包;需要时单独构建镜像并显式启用 overlay |
| 文档状态 | knowledge-scaffold 已入仓但尚未写进 agent-solution 主 README 模块表(README 最后更新 09-24) |
| 对外宣传 | 我翻了官网新闻页与公开报道,未见针对本体平台的独立新闻稿;本文事实以仓库代码与文档为准 |
| 部署门槛 | 推荐 Linux / WSL2 + Docker Compose;首次启动需能访问 GitCode 拉取固定版本的 JiuwenSwarm / JiuwenBox 源码;端口 5055 / 7488 / 8888 |
| 不内建 | 不托管模型与企业数据库、不把外部 Provider / 企业 IAM / TLS 入口 / 高可用 / 云编排 / 灾备纳入内建职责;不内建可运行模型 |
五、多 Agent 协作:openJiuwen 最硬的部分
本体平台解决"知识对不对",协作层解决"活怎么分"。
5.1 团队编排(Agent Swarm)
| 角色 | 职责 | 工具集 | 决策权 |
|---|---|---|---|
| Leader | 统筹规划、分配任务、审批决策 | 完整团队管理工具 + 共享工具 | 完整决策权 |
| Teammate | 执行分配任务、汇报进展 | 认领任务 + 共享工具 | 仅执行权 |
| HumanAgent | 人在团队中的代理身份 | 查看任务 + 完成任务 | 签收与确认权 |
关键设计:三种角色是同一个 TeamAgent 实例通过 TeamRole 切换行为——统一内核,行为一致。
协调哲学(我很认同):
协调层不做业务决策,只负责唤醒(wake-up);所有业务行为由 Agent 自身通过工具调用驱动。
事件来源两类:传输层事件 + 内部轮询事件(定时器补偿,外部事件丢了也能推动团队继续跑)。六个协调处理器各管一摊:AgentLifecycle / Member / Message / TaskBoard / StaleTask(120 秒停滞检测) / TeamCompletion。协调层与 Agent 之间用三类窄接口解耦(RoundController / LifecycleController / PollController)。
任务管理是完整看板:PENDING → CLAIMED → PLAN_APPROVED → COMPLETED,带 BLOCKED 回退与 CANCELLED,任务间可建依赖形成 DAG 并内置环检测防死锁。两条审批流:Plan 模式(先出计划、Leader 批了才执行)+ 工具审批(高风险工具调用被 Rail 拦截、Leader 批准才恢复)。
容错:严格成员状态机 + 幂等状态转换(重复转换直接跳过,不写库不发事件,避免事件风暴)+ 心跳检测 + 崩溃后指数退避重启(默认最多 3 次)+ 团队级状态对齐。
HITT(Human-in-the-Team) 把"人机协同"落到实处,三种介入前缀:# 消息(全局视角直达 Leader)、$<名字> 消息(以 HumanAgent 身份在团队内发言)、@<成员> / @all(外部用户定向或广播)。
5.2 团队技能(Swarm Skill)与编排(SwarmFlow)
skills/<skill-name>/
├── SKILL.md # 入口,frontmatter 必须 kind: swarm-skill
├── roles/ # 每个角色的详细定义
├── workflow.md # 任务依赖、并行/串行关系
├── bind.md # 约束:轮数上限、超时、质量门
└── evolutions.json # 演进记录自动创建机制有一条我很喜欢的约束:TeamSkillCreateRail 判定本次协作值得沉淀后,必须用普通回复向用户确认,不允许用弹窗式交互工具——沉淀动作要留痕、可审计。
SwarmFlow(2026-06 开源)的核心理念是"编排与智能分离":系统负责稳定执行预定义协作流程(算子搭建、可视化、断点续跑),智能体负责推理与子任务执行。Swarm Skill 定义团队角色与规范,SwarmFlow 是它的可执行部分。
2026-09 的双维度 RSI(递归自我改进):团队层(按轨迹自动增减角色、补充约束、优化流程)+ 成员层(把工具报错、接口超时、调用技巧沉淀成经验)。配合文本梯度提示词优化(自动化、非随机、有梯度意义),构成"每次使用都是一次有效训练"的闭环。
5.3 分布式运行时与交付形态
| 维度 | 支持 |
|---|---|
| 部署策略 | subprocess(默认)/ docker / k8s,策略可扩展 |
| 消息传输 | InProcessMessager(零序列化开销)/ PyZmqMessager(ROUTER-DEALER 点对点 + PUB/SUB 广播) |
| 协作拓扑 | team_hybrid、runtime_p2p、runtime_pubsub、runtime_hybrid,另有 handoff 与 hierarchical_msgbus |
| 多租户 | 注入租户上下文(user_id / space_id)隔离资源与操作 |
| 统一服务面 | 管理面 REST + Agent 面统一端点(/query、/health、/reset_conversation) |
| 数据库 | SQLite / MySQL / GaussDB / openGauss |
agentos-enterprise 只做"集成交付":固定版本聚合 agent-runtime、jiuwenswarm、Conch(沙箱引擎)、agent-protocol,从 OBS 拉预编译产物,打出 AgentOS-Client.tgz 与 AgentOS-Server-<arch>.tgz。几个清醒设计:部署脚本零组件逻辑(模块数组 + 五钩子,down 自动逆序);生命周期三层(install 装包 / init bootstrap etcd / up 起服务)对应三种变更频率;不引入选举组件,复用网络层 VIP 判定 ingress master,未持 VIP 的节点启动直接失败(fail-closed)——"谁在提供服务"在网络层就能看出来。
六、和自研企业 Agent 架构对比(结论已更新)
对比对象仍是那套采购域的企业 Agent 架构设计(下称"自研方案")。
| 维度 | openJiuwen | 自研方案 | 谁更优 |
|---|---|---|---|
| 定位 | AgentOS:执行 + 运行 + 方案 + 本体 | 业务 Agent 平台:契约 + 权限 + 编排 | 不同物种 |
| 业务语义 / 本体 | 知识包:对象/操作/规则/指标/脚本/映射 + 版本锁定 + 证据 epoch + 人审演化 | SAP 基座管口径 + Manifest 声明数据来源与新鲜度 | 上版判"空白",现改为"已补齐":可承接语义建模,但口径最终裁定权仍在业务侧 |
| 数据访问控制 | 七 Provider + workspace_id+ontology_id 双层隔离 + scope 运行时注入、模型不可覆盖 | 读写分离(基座只读、写走业务系统原生校验) | 自研在"写"的合规上不可替代;openJiuwen 在读的隔离上做得更系统 |
| 确定性计算 | .deterministic-lock.json + Parser/Handler 分离 + 权威结果信封 + fail-closed | 工作流引擎节点 + 幂等键 | 各有所长 |
| 证据与可追溯 | 静态本体证据 + 动态运行事实 + Evidence ID + epoch 失效 | 事件溯源六类节点 | openJiuwen 在"证据"这条线上更完整 |
| 多 Agent 协作 | 完整团队工程(状态机/看板/审批/容错/HITT/双维度 RSI) | 专家团落在工作流引擎上 | openJiuwen 更强 |
| 工作流持久化 | SwarmFlow + 分布式状态 + 断点续跑 | durable execution + 事件溯源 + 六类节点(按采购流程定语义) | 自研更贴业务 |
| Agent 接入契约 | 统一部署 + 统一端点 + A2A/ACP/MCP,但无 on-behalf-of 语义 | Manifest + 四端点 + on-behalf-of + freshness + 幂等键 | 自研仍更强(企业权限命门) |
| 权限模型 | auth-server + Workspace ACL 四角色 + 服务身份分离 + 沙箱 | on-behalf-of 令牌不超本人 + 写操作走业务系统原生校验审批 | 互补;自研在"以谁的身份做了什么"上不可替代 |
| 自演进 | 文本梯度 + 经验沉淀 + 双维度 RSI + 数据回流闭环 | 一期不做 | openJiuwen 更强 |
| 部署运维 | subprocess/Docker/K8s、多租户、VIP 主节点、etcd、双 tgz | 内网私有化部署 | openJiuwen 更强 |
| 交互载体 | 小艺/飞书/钉钉/Telegram、鸿蒙/Windows/Mac、TUI + Web | 五级光谱(L0→L4)+ 浏览器插件结果回流 | 自研在宿主内嵌更强 |
6.1 自研方案现在还剩下的三个优势
- on-behalf-of 与幂等键——Agent 代替人做事,权限不得超过本人;写操作必须有业务键幂等。openJiuwen 的六层安全与 ACL 解决的是"平台内权限",不是"以谁的身份在业务系统里做了什么事"。
- 口径与数据的最终裁定权——知识包能定义对象与映射,但"上季度钛合金采购均价以哪套口径为准"必须业务侧说了算;读写分离(基座只读、动作走业务系统)也是框架层给不了的。
- 宿主内嵌的深度——浏览器插件结果回流(Agent 干完活页面自己刷新出结果)在 ERP 场景的体验优势,IM/工作台形态替代不了。
6.2 openJiuwen 现在多出来的三个优势
- 本体层不用从零造了——知识包格式 + 导入校验 + 版本语义 + 证据链 + 确定性执行 + 沙箱 + 评测链路,自己写至少半年,还要踩一遍"模型猜字段"的坑。
- "知识可复现"有现成答案——多版本共存 + 会话锁版本 + 被引用版本不可删 + epoch 索引失效 + 人审演化。
- "权威结果"的工程范式可以照抄——锁文件、Parser/Handler 分离、运行时字段注入、权威结果信封、失败关闭、观测不裁决事实。这几条拿去做架构评审的检查项,本身就有价值。
6.3 我的判断:分层组合,本体层可以借
┌───────────────────────────────────────────────────┐
│ 业务契约与治理层(自研,不可替代) │
│ Manifest · on-behalf-of · 幂等键 · freshness │
│ 口径裁定权 · 数据基座(SAP)· 动作落点(业务系统) │
├───────────────────────────────────────────────────┤
│ 本体 / 知识语义层(可借 openJiuwen,建议混合) │
│ 知识包 objects/operations/rules/metrics/mappings │
│ 版本锁定 · 证据链 · 沙箱脚本 · 确定性执行 · 评测 │
├───────────────────────────────────────────────────┤
│ 运行时与协作底座(可复用 openJiuwen) │
│ Agent Core · Agent Runtime · 团队协作 · 沙箱 │
│ 多租户 · 资产分发 · 自演进 │
└───────────────────────────────────────────────────┘上一版我说"业务语义层必须自研"。现在改为:本体层可以借,但两件事要留在自己手里——① 谁有权限改口径(治理权),② 数据映射指向哪套基座(数据主权)。
反过来说:如果你从零起步、没有深度绑定某套 ERP、团队能接受一个分布式底座,直接上 openJiuwen 三件套比自己造轮子划算得多——尤其是本体这块。
七、选型建议
适合直接采用的情况:
- 需要 10 个以上 Agent 协同,且协作模式会持续变化;
- 企业里有大量"术语 / 口径 / 字段"需要固化,不想让模型猜——本体平台正好是干这个的;
- 需要把长流程、可恢复、可审计放在第一位(Run 状态机、幂等、事件回放、CheckPoint);
- 需要私有化部署且认同国产数据库/沙箱/信创栈(GaussDB / openGauss 支持是认真的);
- 不想自建分布式运行时,只想写 Agent 逻辑;已有华为栈(鸿蒙 / 华为云 / 小艺)。
要谨慎或坚持自研的情况:
- 业务权限必须精确到"以谁的身份做了什么"——on-behalf-of 缺失,得自己补;
- 口径裁定权、主数据权威不能外移;
- 需要在宿主系统内部干活(浏览器插件结果回流、Excel 加载项);
- 没有运维分布式底座的能力(选了 K8s 策略就得有人管 K8s);
- 对供应链风险敏感——需要评估集成商生态与长期演进节奏。
五条风险提醒:
- 本体平台开源的是"消费侧",建模工作台仍在独立仓——知识包谁来建、怎么建,你仍然要自己搞定,这块工作量不小;
- 数据源配置不随知识包复制——同一知识包多版本共享连接,意味着"换基座"不是改配置一个动作,需要评估;
- 文档与代码有落差:
knowledge-scaffold未进主 README 模块表,处于"快速迭代 + 文档追赶"阶段,跟版要跟代码; - GitHub 镜像不全:
agent-solution、agent-store只在 AtomGit / GitCode,只看 GitHub 会漏掉整个企业方案层(我已踩过一次); - 生态节奏快:SwarmFlow(6 月)、WorkSwarm(8 月)、Agentic Hub(9 月)、AgentOS(10 月)、本体平台(9 月入仓、10 月仍高频迭代)——月度发版、版本号只增不改,别绑死某一版的内部实现。
结语
把三块基石和本体平台放在一起看,openJiuwen 的思路非常一致:
- 能确定的事,绝不交给概率。 数值计算进沙箱脚本,编排进工作流,状态进状态机,版本进版本库,权威结果进锁文件。
- 能结构化的知识,绝不塞进 Prompt。 对象、操作、映射、口径写进知识包,模型只负责理解与规划。
- 每个事实都有唯一 owner。 从凭据到终态,十六个对象各有其主,观测只做投影不裁决事实。
- 治理做成默认。 六层安全、角色化工具注册、scope 运行时注入、人审演化、锁版本、fail-closed。
- 经验变成资产。 Swarm Skill 自动沉淀、双维度 RSI、Agentic Hub 五类资产流通。
我们自研架构最值得坚持的那条现在更清晰了:框架可以替你算得对,但不能替你决定"什么算对"。 口径的裁定权、身份与权限的传递、数据基座的选择——这三件事留在业务侧,其余能借就借。
框架管奔跑,业务管方向;本体管算得准,人管什么算准。
参考来源:openJiuwen 官方文档仓与官网(openjiuwen.com);AtomGit / GitCode 组织 openJiuwen 全部 25 个仓库、GitHub 组织 openJiuwen-ai 全部 24 个仓库;重点核对 agent-solution(common 分支)的 README、ReleaseNote 与 common/knowledge-scaffold/ 全部内容——含 consumer/docs/03-特性使用指南/ 20 篇特性文档、consumer/docs/04-参考指南/设计方案.md、示例知识包(examples/knowledge-engineering-tool-consumption-example/assets/synthetic-change-lifecycle/)、consumer/backend/requirements.txt;以及 agent-core、agent-runtime、agentos-enterprise 的源码与设计文档;Agentic Hub(swarmskills.openjiuwen.com);百度百科「openJiuwen」词条;机器之心《openJiuwen:打造高可靠、自演进、多智能体原生、算力亲和的 AgentOS》;《openJiuwen 发布并开源企业级 AgentOS》(2026-10-09);知乎专栏《从 Harness 走向 Coordination,openJiuwen 社区发布 JiuwenSwarm》。本体平台相关事实以 agent-solution 仓代码与文档为准(未见针对该模块的独立新闻稿);本文未做本机实机部署验证。


Comments | NOTHING