openJiuwen 全栈拆解:Agent Core、Agent Runtime,与开源的本体平台 knowledge-scaffold


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

  1. 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。
  2. 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"。
  3. 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。
  4. 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。
  5. 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。
  6. 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 openJiuwen25主战场,含 agent-solution、agent-store、skillhub
GitHub openJiuwen-ai24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-javaPython / Java SDK:Agent 编排、运行时、模型、工具、检索、评测
企业运行agent-runtime / agent-runtime-javaAgent 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-routervLLM 推理框架、模型路由内核

2.3 版本节奏

版本日期要点
v0.1.02026-07-30运行时接入、Core 认知护栏、自进化引擎闭环、EDPAgent 首个版本
v0.1.12026-08-30客户端 / 总线 / 运行时 / Core 扩展 / 自进化五部分端到端标准化
v0.1.22026-09Solution 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 TeamLeader + 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-busA2A 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-clientJVM 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-javaCore 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:

  1. 接收 ZIP,检查上传大小、条目数量、解压规模(防 zip bomb);
  2. 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;
  3. 识别知识包根目录,读取并校验 manifest.yaml;
  4. 校验必需目录、索引、资源 frontmatter、ID、对象依赖、别名与映射;
  5. 对目标版本执行冲突检查和原子安装;
  6. 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:

  1. 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;
  2. 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;
  3. 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 credentialauth-serverConsumer 不保存密码哈希副本
Access/refresh tokenauth-serverConsumer 只验签/调 userinfo,不改写 token 事实
WorkspaceConsumer workspace service所有业务资源先做 owner/member scope
RunAsyncRunManager + ExecutionStore唯一终态 owner;一个 HITL 响应创建新 Run
PublicEventExecutionStoreseq 单调递增,可回放,不含未净化 secret
Knowledge packageOntologyRegistry / import service版本内容不可被 active pointer 切换改写
Ontology data sourceOntologyDataSourceStore不按知识版本复制,secret 加密/脱敏
Solver coordination jobSolverJobStoreworkspace + owner scope、lease、version、outbox
Solver attemptOR-Tools AttemptStoreidempotency key + request digest,有限 TTL
Observability recordobservability 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 Runawaiting_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
hugegraphHugeGraph 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
7Provider 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 EvolutionAgent 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

  1. 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"。
  2. 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。
  3. 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

  1. 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。
  2. "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。
  3. "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:

  1. 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;
  2. 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;
  3. 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;
  4. 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);
  5. 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。


For you, a thousand times over!