基于DSH的个人AgentOS：Pythagoras架构设计与实践

原创 已于 2026-08-28 10:36:55 修改 · 207 阅读 · 0 GEO检测
于 2026-08-28 10:36:32 首次发布

写在前面：从一个问题开始

如果把现在常见的 AI 产品放在一起看，会发现它们大致都在解决同一类问题：

  • 让模型更容易被使用

  • 让用户更容易得到一次答案

  • 或者让一个 Agent 更好地完成一个相对明确的任务。

但对于真正长期使用 AI 的人来说，我们不再只问"它能不能回答"，而会开始问：它是否知道我是谁？它是否理解我正在做的项目？它能不能把一个模糊目标拆成一组可执行任务？它能不能调用不同工具、Skill 和子智能体？任务结束以后，哪些经验应该被保留下来？如果系统出了问题，我能不能知道问题发生在哪一层？

这些问题已经超出了聊天机器人和单个 Agent 的边界。

我在 WorkBuddy 上使用和构建 Harness 的过程中，逐渐积累了一个直观感受：模型能力当然重要，但决定一个 Agent 能不能稳定完成复杂工作的，往往不是模型本身，而是模型周围那套"控制、组织、连接和恢复"的系统。模型像发动机，Harness 像车辆的底盘、传动、方向盘、制动和仪表；只有发动机，没有整车，动力很难变成可持续的生产力。

上周，DeepSeek Harness，也就是 DSH 的出现，让这件事出现了新的可能。过去，很多 Agent 能力被封装在某个产品内

标签
#人工智能 #数据库
了解本专栏 订阅专栏 解锁全文 超级会员免费看
博客
RAG for Agent：Agent 什么时候需要查知识库？
09-11 192
本文系统阐述了RAG（检索增强生成）在Agent中的核心作用：当模型需依赖外部事实时，通过“按需取证”机制，从权威知识源精准检索并验证证据。强调检索非固定流程，而应结合上下文判断是否需查、何时查、查何处，并确保数据源可信、切分合理、元数据完整、权限过滤前置。提出“结构化证据返回”与分层评估体系，避免盲目依赖向量相似度或模型记忆。最终实现可追溯、可验证的决策闭环，真正达成“基于知识的回答”。
博客
MoE架构原理与算力基础设施重估
09-11 2
MoE架构通过稀疏激活实现“参数量大、计算量小”的突破，使模型在保持高性能的同时降低算力开销。然而，其代价是显存全量驻留与跨节点all-to-all通信激增，导致成本重心从算力转向HBM容量与网络带宽。真实案例如Mixtral、Grok、DeepSeek-V3表明，训练与推理的瓶颈已由FLOPs转移至负载均衡、专家并行与高速互联（如NVLink、InfiniBand）。因此，真正决定MoE系统成败的，是其对显存、通信与调度的精细化工程能力。
博客
Tool Schema 设计：为什么你的 Agent 总是调用错工具？
09-10 417
本文系统阐述了如何将模糊的工具能力转化为可信赖的ToolSchema，强调命名应清晰表达动作、描述需界定使用边界、参数应结构化且约束明确。通过实例展示如何设计高效、可校验、可授权的工具接口，并指出避免模型误用的关键：合理拆分工具、关闭额外字段、依赖上下文而非模型传参。最终，Schema不仅是类型定义，更是模型决策、运行时校验与权限控制的契约。
博客
QwIndustry 如何用知识图谱给 LoRA 专家分科，做一个工业 AI 副驾驶
09-10 89
这篇论文不是再做一个“轴承模型”或“表面缺陷模型”，而是用一个7B级多模态大模型统一处理振动/声学、时频图像和文本，再让任务知识图谱决定应该激活哪组  LoRA 专家；同时用 GPT-4o 生成的显式推理样本做蒸馏，使模型既能跨任务、跨机器迁移，又能给工程师输出可读的诊断理由。
博客
把FDE招成一个人，是企业最容易踩的坑
09-09 642
懂业务、懂产品、懂技术、懂 AI，能写代码、能做方案、能驻场、能交付，最好还能直接和业务负责人对话。发出去才发现这种人根本招不到。就算招到了，你也得想清楚一件事：你想招的可能不是 FDE，而是一个什么都会的超级工程师。这是现在企业理解 FDE 时最容易犯的错误：把一种团队作战方式，当成了一个岗位。结果就是，FDE 没建起来先累垮了一个人。
博客
QLoRA 原理与实战：4-bit 量化如何让单卡微调 70B 大模型
09-09 272
全参微调 7B 模型需要约 66GB 显存，QLoRA 却能用约 7GB 显存微调 7B、用单张 48GB 显卡微调 65B。本文拆解 QLoRA 的三大创新（NF4 量化、Double Quantization、Paged Optimizers），给出显存账本对比，并附一段可直接运行的生产级微调代码。
博客
AI领域英文缩写知多少
09-08 412
AI领域英文缩写以简洁字母组合精准指代底层硬件到上层应用的关键技术。本文按算力芯片、存储内存、网络通信、模型架构、训练优化、推理部署及应用Agent七层链路系统梳理常用缩写，涵盖GPU、HBM、Transformer、LoRA、RAG等核心术语，助力高效理解AI技术栈。
博客
OpenClaw 2.0：欠下的技术债，这次连本带利还清
09-08 418
OpenClaw v2026.8.1（16,000+PR）以此版本兑现“可托付”：会话由进程状态变为可迁移资源；UI退化为Gateway客户端；provider外置并配修复闭环；安全设计明确“不做什么”，以机械约束取代模型自律；记忆默认开启但可追溯、可定点删除。升级需先建可恢复备份，重负载Gateway建议先在staging验证。
博客
Agent 做了这么多轮重构，企业到底该留下什么？
09-08 509
当模型、框架和 Runtime 还会继续变化，Agent 建设究竟应该留下什么？第一，通用智能要持续跟进，但真正值得长期沉淀的是企业自己的业务上下文。模型越强，这些上下文的价值越大。第二，消息服务已经是一条成熟的实时数据管道。下一步不只是把数据接通，而是让 Schema、语义、血缘和实时性随数据一起到达。第三，链路需要收拢，能力必须开放。企业需要一站式的服务为全链路负责，减少交接和重复建设，同时保留对外加工、开放存储、联合查询和对接多种 Agent 接入能力。
博客
Kubernetes 里的 GPU 到底怎么分？Device Plugin、时间片切分与 MIG 完整实践
09-07 247
Kubernetes GPU分配：设备插件、时间片、MIG。摘要应简洁概括核心要点。</think>K8s中GPU通过扩展资源与Device Plugin实现分配，但整卡利用率低。切分方案有三：整卡简单浪费；时间片共享计算但显存无隔离；MIG提供硬件级隔离，适合生产多租户。调度需结合bin-packing与拓扑感知优化。
博客
从 HPA 到 KEDA：Kubernetes 弹性伸缩的进阶实践
09-07 361
本文从 HPA 的扩缩容算法与抑制策略讲起，再到自定义指标与 Metrics API，最后引入事件驱动的 KEDA，把「应用层 HPA/KEDA → 指标层 Metrics API → 事件层 Scaler → 节点层 Cluster Autoscaler」四层协同的生产弹性体系完整串起来。
博客
从 ReAct 到 Agent Teams：一个工程师视角的 Agent 协作机制思考
09-07 209
ReAct模式是Agent的本质抽象，Agent团队设计是关键，用户从第一性原理拆分ReAct三环节，指出工程发力点在行动和观察，分析了上下文即记忆的本质，然后重点论述了Agent团队协作机制，指出当前Leader-Worker架构不足，提出了七个关键机制改进，最后提到分级和人类组织类比。
博客
01-vLLM-PagedAttention与连续批处理技术拆解
09-05 370
PagedAttention与Continuous Batching是vLLM双引擎：前者以分页机制管理KV Cache，消除碎片并支持前缀共享；后者迭代级调度填满GPU气泡，配合抢占策略提升吞吐。生产调优需聚焦显存利用率、批量参数、前缀缓存及FP8量化，使推理成本显著降低。
博客
模型后训练视角：DeepSeek Harness 把企业进化做进了架构
09-05 232
DeepSeek Harness 是一个模型厂商对两个问题的工程回答：Agent 如何在运行时被约束，如何随时间变强。它的回答浓缩成三句话：1. 一致性靠结构保证，不靠纪律维持——日志即状态，一切皆派生。2. 护栏与进化共享同一套事件底座——每一次安全决策都是训练数据。3. 敏捷试验，谨慎固化——爆炸半径越大，门槛越高。
博客
AI Infra 系列：一万张 GPU 怎么排班，调度器才是训练场的隐形老板
09-04 488
单机调优解决"一台机器怎么跑得快"，集群调度解决"一万台机器怎么不浪费"。训练集群的调度器每天面对的问题：有的作业要 512 张卡，有的只要 4 张；有的必须整组一起上，有的晚 5 分钟也无所谓；GPU 放错机柜，性能能差 3-8 倍。这篇讲清楚从设备插件到 DRA 的调度演进、Gang 调度、拓扑感知、SLURM 与 K8s 的分工，以及万卡集群怎么容错、怎么用 AI 来运营。
博客
Claude Fable 5.1 来了：Agent 暴涨、缓存降价，还有新的反蒸馏机制
09-04 296
目前Fable 5.1 是全面 GA（正式发布），Mythos 5.1 并没有全面开放。两者其实是同一个底层模型，Fable 5.1 面向普通用户和企业开放；Mythos 5.1 则使用更宽松的安全策略，目前主要通过 Project Glasswing 向经过审核的网络安全和生命科学机构开放。
博客
AI Coding Agent 可信交付：从生成代码到证据闭环
09-03 322
内容围绕AI Coding Agent可信交付，从生成代码到证据闭环，强调了业务契约、受控改造、验证闭环L1-L5证据、可复核交付与知识回流。
博客
Agent每次接新任务都像新人第一天入职？带你告别“一次性智能”
09-03 532
代码难以保存工程决策的演进理由，导致跨任务经验流失。ForgeMemory 通过知识对象与双向准入机制，将任务中的设计取舍、边界与诊断经验沉淀为长期知识，并在后续任务中按需注入、结合代码验证后持续更新，使工程判断真正传递至下一次开发。
博客
Ceph配置RDMA和GPUDirect支持的具体技术方案
09-02 841
在 Ceph 上配置 RDMA 的核心作用是‌降低网络延迟、提升吞吐量，并显著减轻 CPU 负载‌，从而让分布式存储集群跑得更快、更稳。至于 GPUDirect，目前 Ceph 自身还没有正式支持，更多是结合 IBM Storage Scale 这类方案来实现 GPU 直接访问存储数据。
博客
AI-Infra能力建设支持百台GPU规模算力服务
09-02 298
针对100台GPU集群的算力碎片、共享存储和潮汐调度挑战，从AI-Infra（AI-PaaS/LLM-OPS/AI-GATEWAY/LLM-WAF）的视角来看，确实需要在多个层面进行系统性的能力储备。将这些能力需求组织为四个核心层面，并结合你们提到的具体问题展开。
博客
DeepSeek Harness 接入 Elastic APM：把 Agent 的成本、失败和行为变成可查数据
09-01 398
文章讲述通过OTLP旁路为DeepSeek Harness接入观测性，解决本地日志无法聚合的问题，实现按步成本拆分、失败定位、行为指标化，并说明插件配置要点。
博客
CubeSandbox v0.7.0 发布：沙箱跨机流动，集群平滑演进
09-01 358
<think>我们只需要根据内容生成摘要，150字以内。需要概括主要特点：v0.7.0支持跨机暂停恢复、组件多版本共存、网络重构、控制面运维分离等。同时提及其他增强。注意字数。</think>CubeSandbox v0.7.0发布：实现沙箱跨机暂停恢复与组件多版本共存，升级不再使模板快照失效；重构网络子系统加速冷启动；拆分控制面与运维架构。同时补齐三语言SDK、新增S3块设备等，并修复多项稳定性问题。
博客
评估：从黄金指标到 Rubric丨AgentLoop 数据飞轮实践（三）
09-01 258
<think>我需要根据给定的内容生成一个不超过150字的摘要。内容描述了一个评估体系，包含两层结构、黄金指标、Rubric、评估器、评估任务等概念，并以客服Agent为例进行说明。摘要需简洁，涵盖核心流程：黄金指标→Rubric→评估器→评估任务→结果分析，强调可量化、可解释、可复用的评估体系。</think>建立可量化、可解释、可复用的Agent评估体系：将“好不好”拆解为带权重的黄金指标，经AI辅助制定Rubric，配置评估器与评估任务，生成加权分数与证据，沉淀badcase用
博客
9 个问题带你认识本体（Ontology）及其应用
08-31 346
<think>本体概念、与数据库/知识图谱的区别、在Agent时代的价值、建模方法与应用步骤。强调本体是业务地图，非万能药，应从最小可用模型起步，以业务效果验证。</think>本文以电信业为例，用通俗问答解释本体：它是AI理解企业业务概念、关系与规则的地图，区别于数据库的事实存储和知识图谱的事实层。文中介绍RDF、OWL等标准，展示最小电信本体及Agent应用流程，并给出建模步骤与选型判断，强调从最小可用本体起步，以业务效果验证。
博客
数据飞轮的起点：四种方式把 Agent 连进 AgentLoop丨AgentLoop 数据飞轮实践（二）
08-31 283
数据接入是数据飞轮的起点：没有高质量的运行数据，观测、评估、实验都无从谈起。但“把数据接上来”这件事本身并不简单——Agent 不像传统微服务只有一种调用形态，它可能是开箱即用的通用 Agent，可能是基于框架研发的，可能是高代码自研的，甚至可能完全不想改一行代码。
博客
AgentLoop 数据飞轮实践（一）：总览 —— 让 Agent 持续调优的闭环
08-31 353
<think>我们根据内容生成摘要，不超过150字。摘要要概括AgentLoop数据飞轮的核心：上线后持续调优，通过接入、观测、审计、数据集、评估、实验、经验库循环，有人类专家驱动和全自动两种模式，实验结果验证耗时成本降低。注意字数限制。</think>AgentLoop解决Agent上线后持续调优难题，构建“接入→观测→审计→数据集→评估→实验→经验库”数据飞轮。支持人类专家驱动与全自动两种模式，将Badcase沉淀为数据集、实验回测验证效果，经验库自动挖掘并反哺Agent。实操演
博客
为什么 LLM 一次只蹦一个 token，vLLM 和 SGLang 到底差在哪
08-28 363
训练是流水线，推理是单行道。一个 70B 模型在 GPU 上生成一个 token 要几十毫秒，用户感知就是"一个字一个字往外蹦"。这篇讲清楚 LLM 推理为什么天生慢、现代引擎（vLLM/SGLang/TensorRT-LLM）靠什么把它压回来，以及 2026 年三个引擎到底怎么选。
博客
Kubernetes 弹性伸缩实战：HPA 与 KEDA 从指标到秒级扩缩容
08-27 534
Kubernetes 的弹性伸缩从来不是"加个 YAML 就完事"的银弹，而是一条指标 → 决策 → 执行的完整链条。想明白你的业务场景里"哪个指标是先行信号、扩到多大够用、缩得再慢也不伤用户体验"，你就已经把 HPA 和 KEDA 用成了工程能力，而不只是两个会念的名词。
博客
Agent 时代如何降低 Token 成本？
08-27 364
Agent 时代，Token 成本不再是简单的算力单价问题，而是涵盖延迟、稳定性、吞吐的系统工程问题。Mooncake 以 KV 缓存为核心，通过分布式共享、解耦架构，把昂贵的重复算力转化为低成本的缓存复用，同时覆盖推理、训练、多模态、强化学习等全场景，是 Agent 时代降低 Token 成本、实现规模化落地的核心技术路径。
博客
Go语言runtime全景
08-26 203
为什么Go程序启动那么快？为什么GC会让程序卡顿？为什么Goroutine能开几百万个？这一切的背后，都藏在一个名为 runtime 的“隐形管家”里。它既不是操作系统，也不是框架，而是Go源码编译进你二进制文件里的“内核”。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值