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
)
