AI Agent 的操作系统内核
深受 冯若航《AI Agent 的操作系统时刻》 启发，试图填补 Agent 生态中"缺失的内核"
支持中国模型: DeepSeek | Kimi | MiniMax | Qwen
Agent OS Kernel 完整支持主流中国 AI 模型提供商：
| Provider | 模型 | 特点 | 示例 |
|---|---|---|---|
| DeepSeek | deepseek-chat, deepseek-reasoner | 性价比高、推理强 | "deepseek-chat" |
| Kimi (Moonshot) | moonshot-v1-8k, moonshot-v1-32k | 超长上下文 | "moonshot-v1-32k" |
| MiniMax | abab6.5s-chat | 快速响应 | "abab6.5s-chat" |
| Qwen (阿里) | qwen-turbo, qwen-plus, qwen-max | 生态完善 | "qwen-turbo" |
# config.yaml
api_keys:
deepseek: "${DEEPSEEK_API_KEY}"
kimi: "${KIMI_API_KEY}"
minimax: "${MINIMAX_API_KEY}"
qwen: "${DASHSCOPE_API_KEY}"
llms:
models:
- name: "deepseek-chat"
provider: "deepseek"
- name: "moonshot-v1-32k"
provider: "kimi"
- name: "qwen-turbo"
provider: "qwen"
default_model: "deepseek-chat"from agent_os_kernel.llm import LLMProviderFactory, LLMConfig
# 创建中国模型 Provider
factory = LLMProviderFactory()
provider = factory.create(LLMConfig(
provider="deepseek",
model="deepseek-chat"
))Agent OS Kernel 深度参考 AIOS (COLM 2025) 架构设计：
┌─────────────────────────────────────────────────┐
│ Agent-OS-Kernel (基于 AIOS 架构) │
├─────────────────────────────────────────────────┤
│ 🎛️ Kernel Layer │
│ ├── LLM Core (多模型抽象层) │
│ ├── Context Manager (虚拟内存式上下文) │
│ ├── Memory Manager (记忆管理) │
│ ├── Storage Manager (持久化存储) │
│ ├── Tool Manager (工具管理) │
│ └── Scheduler (进程调度) │
├─────────────────────────────────────────────────┤
│ 🛠️ SDK Layer (Cerebrum 风格) │
│ ├── Agent Builder (Agent 构建器) │
│ ├── Tool Registry (工具注册表) │
│ └── Plugin System (插件系统) │
└─────────────────────────────────────────────────┘
| AIOS 特性 | Agent-OS-Kernel 支持 |
|---|---|
| 多 LLM Provider | ✅ 9+ Providers |
| Agent 调度 | ✅ 抢占式调度 |
| 内存管理 | ✅ 虚拟内存式上下文 |
| 工具管理 | ✅ MCP + Native CLI |
| 部署模式 | ✅ 本地/远程 |
| CLI 工具 | ✅ kernel-cli |
完整支持 Model Context Protocol，连接 400+ MCP 服务器：
from agent_os_kernel.tools.mcp import init_mcp_registry
# 初始化 MCP 注册表
mcp_registry = init_mcp_registry(kernel.tool_registry)
# 添加 MCP 服务器
mcp_registry.add_server(
name="filesystem",
command="npx",
args=["@modelcontextprotocol/server-filesystem", "/tmp"]
)
# 发现并注册工具
await mcp_registry.discover_tools()
# Agent 自动使用 MCP 工具
agent_pid = kernel.spawn_agent(
name="FileWorker",
task="使用 MCP 工具管理文件"
)# 文件系统
npx @modelcontextprotocol/server-filesystem /path
# Git
npx @modelcontextprotocol/server-git
# 数据库
npx @modelcontextprotocol/server-postgres
# 网页浏览
npx @playwright/mcp@latest --headless2025 年，编程 Agent 大爆发。Claude Code、Manus 等产品展示了 AI Agent 的惊人能力。但仔细观察，你会发现一个惊人的事实：它们的底层操作极其 "原始"。
Agent 直接操作文件系统和终端，依赖"信任模型"而非"隔离模型"。这就像 1980 年代的 DOS ——没有内存保护，没有多任务，没有标准化的设备接口。
Agent OS Kernel 正是为了填补这个"缺失的内核"而生。
| 传统计算机 | Agent 世界 | 核心挑战 | Agent OS Kernel 解决方案 |
|---|---|---|---|
| CPU | LLM | 如何高效调度推理任务？ | 抢占式调度 + 资源配额管理 |
| RAM | Context Window | 如何管理有限的上下文窗口？ | 虚拟内存式上下文管理 |
| Disk | Database | 如何持久化状态？ | PostgreSQL 五重角色 |
| Process | Agent | 如何管理生命周期？ | 真正的进程管理 |
| Device Driver | Tools | 如何标准化工具调用？ | MCP + Agent-Native CLI |
| Security | Sandbox | 如何保障安全？ | 沙箱 + 可观测性 + 审计 |
┌─────────────────────────────────────────────────────────┐
│ Agent Applications │
│ (CodeAssistant │ ResearchAgent │ DataAnalyst...) │
└─────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ 🎛️ Agent OS Kernel │
│ ┌──────────────┬──────────────┬──────────────┐ │
│ │ Context │ Process │ I/O │ │
│ │ Manager │ Scheduler │ Manager │ │
│ │ (虚拟内存) │ (调度器) │ (MCP+CLI) │ │
│ └──────────────┴──────────────┴──────────────┘ │
│ ┌──────────────────────────────────────────┐ │
│ │ 💾 Storage Layer (PostgreSQL) │ │
│ │ 记忆存储 │ 状态持久化 │ 向量索引 │ 审计日志 │ │
│ └──────────────────────────────────────────┘ │
│ ┌──────────────────────────────────────────┐ │
│ │ 🧠 Learning Layer (自学习系统) │ │
│ │ 轨迹记录 │ 策略优化 │ 经验积累 │ │
│ └──────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ 🖥️ Hardware Resources │
│ LLM APIs │ Vector DB │ MCP Servers │
└─────────────────────────────────────────────────────────┘
- 上下文页面（Page）：将长上下文分割为固定大小的页面
- 缺页中断（Page Fault）：访问不在内存中的页面时自动从数据库加载
- 页面置换（Page Replacement）：LRU + 重要性 + 语义相似度多因素评分
- KV-Cache 优化：静态内容前置，动态内容按访问频率排序
from agent_os_kernel import ContextManager
cm = ContextManager(max_context_tokens=128000)
# 分配页面
page_id = cm.allocate_page(
agent_pid="agent-1",
content="大量上下文内容...",
importance=0.8
)
# 获取优化后的上下文
context = cm.get_agent_context(agent_pid="agent-1")| 角色 | 功能 | 类比 |
|---|---|---|
| 长期记忆存储 | 对话历史、学到的知识 | 海马体 |
| 状态持久化 | Checkpoint/快照、任务状态 | 硬盘 |
| 向量索引 | 语义检索、pgvector | 页表 |
| 协调服务 | 分布式锁、任务队列 | IPC 机制 |
| 审计日志 | 所有操作的不可篡改记录 | 黑匣子 |
from agent_os_kernel import StorageManager
storage = StorageManager.from_postgresql(
"postgresql://user:pass@localhost/agent_os",
enable_vector=True
)
# 向量语义搜索
results = storage.semantic_search(
query="用户之前提到的需求",
limit=5
)- 并发调度：优先级 + 时间片 + 抢占式调度
- 状态持久化：Agent 崩溃后从断点恢复
- 进程间通信：Agent 之间的状态同步
- 优雅终止：安全退出而非 kill -9
from agent_os_kernel import AgentOSKernel
kernel = AgentOSKernel()
# 创建 Agent
agent_pid = kernel.spawn_agent(
name="DBA_Agent",
task="监控数据库健康状态",
priority=10
)
# 从检查点恢复
new_pid = kernel.restore_checkpoint(checkpoint_id)from agent_os_kernel.llm import LLMProviderFactory, LLMConfig
factory = LLMProviderFactory()
# 创建不同 Provider
providers = [
("OpenAI", "gpt-4o"),
("DeepSeek", "deepseek-chat"),
("Kimi", "moonshot-v1-32k"),
("Qwen", "qwen-turbo"),
("Ollama", "qwen2.5:7b"), # 本地
("vLLM", "Llama-3.1-8B"), # 本地
]
for name, model in providers:
provider = factory.create(LLMConfig(
provider=name.lower(),
model=model
))from agent_os_kernel.core.learning import TrajectoryRecorder, AgentOptimizer
# 轨迹记录
recorder = TrajectoryRecorder()
traj_id = recorder.start_recording("Agent1", pid, "任务")
recorder.add_step(phase="thinking", thought="分析问题")
recorder.finish_recoding("成功", success=True)
# 策略优化
optimizer = AgentOptimizer(recorder)
analysis = optimizer.analyze("Agent1")
print(f"成功率: {analysis.success_rate:.1%}")
print(f"优化建议: {len(analysis.suggestions)} 条")- 沙箱隔离：Docker + 资源限制
- 完整审计：所有操作的不可篡改记录
- 安全策略：权限级别、路径限制、网络控制
from agent_os_kernel import SecurityPolicy
policy = SecurityPolicy(
permission_level=PermissionLevel.STANDARD,
max_memory_mb=512,
allowed_paths=["/workspace"],
blocked_paths=["/etc", "/root"]
)pip install agent-os-kernelfrom agent_os_kernel import AgentOSKernel
kernel = AgentOSKernel()
# 创建 Agent
agent_pid = kernel.spawn_agent(
name="CodeAssistant",
task="帮我写一个 Python 爬虫",
priority=30
)
# 运行内核
kernel.run(max_iterations=10)
# 查看系统状态
kernel.print_status()from agent_os_kernel.llm import LLMProviderFactory, LLMConfig
factory = LLMProviderFactory()
# 使用 DeepSeek
provider = factory.create(LLMConfig(
provider="deepseek",
model="deepseek-chat",
api_key="your-api-key"
))
# 或使用 Kimi
provider = factory.create(LLMConfig(
provider="kimi",
model="moonshot-v1-32k",
api_key="your-api-key"
))Agent-OS-Kernel/
├── agent_os_kernel/ # 核心代码
│ ├── kernel.py # 主内核
│ ├── core/ # 核心子系统
│ │ ├── context_manager.py # 虚拟内存管理
│ │ ├── scheduler.py # 进程调度
│ │ ├── storage.py # 持久化存储
│ │ ├── security.py # 安全子系统
│ │ ├── metrics.py # 性能指标
│ │ ├── plugin_system.py # 插件系统
│ │ └── learning/ # 自学习系统
│ │ ├── trajectory.py # 轨迹记录
│ │ └── optimizer.py # 策略优化
│ ├── llm/ # LLM Provider (新增!)
│ │ ├── provider.py # 抽象层
│ │ ├── factory.py # 工厂模式
│ │ ├── openai.py # OpenAI
│ │ ├── anthropic.py # Anthropic Claude
│ │ ├── deepseek.py # DeepSeek 🇨🇳
│ │ ├── kimi.py # Kimi 🇨🇳
│ │ ├── minimax.py # MiniMax 🇨🇳
│ │ ├── qwen.py # Qwen 🇨🇳
│ │ ├── ollama.py # Ollama (本地)
│ │ └── vllm.py # vLLM (本地)
│ ├── tools/ # 工具系统
│ │ ├── registry.py # 工具注册表
│ │ ├── base.py # 工具基类
│ │ └── mcp/ # MCP 协议 (新增!)
│ │ ├── client.py
│ │ └── registry.py
│ └── api/ # Web API
│ ├── server.py # FastAPI 服务
│ └── static/ # Vue.js 管理界面
├── tests/ # 测试用例 (9+ 文件)
├── examples/ # 示例代码 (13+ 文件)
│ ├── basic_usage.py
│ ├── agent_spawning.py
│ ├── mcp_integration.py # MCP 示例
│ ├── advanced_workflow.py # 工作流示例
│ └── agent_learning.py # 自学习示例
├── docs/ # 文档 (14+ 份)
│ ├── architecture.md
│ ├── api-reference.md
│ ├── distributed-deployment.md
│ └── best-practices.md
├── scripts/ # CLI 工具
│ └── kernel-cli # 交互式 CLI
├── config.example.yaml # 配置模板
├── Dockerfile
├── docker-compose.yml
├── Makefile
└── pyproject.toml
| 指标 | 数值 |
|---|---|
| 总文件数 | 78+ |
| 核心代码 | 24+ Python 文件 |
| LLM Providers | 9 个 |
| 测试文件 | 9 个 |
| 文档 | 14+ 份 |
| 示例代码 | 13+ 个 |
| API 端点 | 20+ |
# 运行所有测试
pytest tests/ -v
# 运行类型检查
mypy agent_os_kernel/
# 代码格式化
black agent_os_kernel/ tests/- AIOS (COLM 2025) - Agent OS 架构
- 《AI Agent 的操作系统时刻》 - 冯若航
- Manus - Context Engineering
- DeepSeek Engram
MIT License © 2026 OpenClaw
给项目一个 ⭐ Star 支持我们！