目录1.研究背景1.1Agent 发展痛点2.整体架构与核心模块2.1六层架构2.2全系统数据流总览2.3核心模块一AgentCore 运行内核2.3.1核心引擎调度原理2.3.2全双工双轨执行原理2.4核心模块二Agent Memory 分层记忆系统2.4.1短时记忆工作记忆原理2.4.2长时记忆持久记忆原理2.4.3长短时记忆协同工作机制2.4.4实现局限2.5核心模块三多 Agent 蜂群协同机制2.6核心模块四RSI 递归自我改进框架2.6.1双维度设计2.6.2四层架构与六阶段闭环2.6.3实测效果与局限2.7其他模块功能简述3.实现局限与现存问题详细分析3.1技术实现层面3.2产品与生态层面1.研究背景OpenJiuwen九问是华为 2012 实验室、华为云 AgentArts 团队联合推出的开源生产级 AI Agent 操作系统AgentOS底座2025 年 12 月正式开源核心提出协同工程Coordination Engineering范式推动智能体从单一体执行向多智能体团队协同升级。平台原生支持蜂群多智能体自动分工协作、分层独立记忆体系、智能体自演进三大核心能力配套可视化低代码开发工作台、全链路可观测运维工具模型中立兼容主流大模型支持单机与集群部署。上层衍生 JiuwenSwarm 蜂群智能体、WorkSwarm 办公工作台、DeepSearch 深度检索等产品适用于长周期科研调研、复杂多角色任务、企业级 Agent 系统搭建等场景。2026 年 10 月上层产品 WorkSwarm 进一步推出全双工多模态交互能力实现实时对话与后台任务并行执行将人机协同从“半双工回合制”升级为“全双工并行制”覆盖实时办公协同、多模态任务等场景。1.1Agent 发展痛点随着大模型能力提升Agent 开始承担更长周期、更复杂的任务单智能体方案逐渐暴露四类核心痛点1. 任务复杂度瓶颈单个 Agent 难以同时兼顾规划、调研、写作、校验等多角色工作面对大型任务能力不足2. 长周期上下文爆炸长任务中对话上下文无限膨胀关键历史信息易丢失Token 开销指数级上升3. 多 Agent 方案浅层化多数多 Agent 框架仅实现简单消息转发缺少自动任务拆解、结果冲突校验、团队能力复用机制4. 工程化能力缺失大量原型框架缺少可视化开发、全链路调试观测、自动迭代优化能力Agent 运行如同黑盒。5. 交互体验痛点传统 Agent 为“半双工”回合制对话用户必须等 AI 回复完成才能继续提问工具执行期间无法交互等待感强复杂后台任务与实时对话互相阻塞无法实现“边聊边办事”的自然协同。2.整体架构与核心模块2.1六层架构OpenJiuwen 采用严格的自上而下分层依赖设计完整架构如下图所示自上而下分别为DeepAgents 上层应用、SwarmSkillsHub 技能中心、AgentStudio 开发工作台、openjiuwen-Ops 运维观测、AgentFramework 运行内核、AgentSystemService 底层系统。其中 AgentFramework 是整个系统的执行核心所有业务逻辑最终落地到 agent-core 仓库。2.2全系统数据流总览完整端到端数据流如下1. 用户通过前端 UI 提交任务2. 请求进入 Agent Gateway 接入网关完成格式标准化与消息投递3. Agent Core 接收任务调用 Agent Engine 进行调度4. 任务执行过程中从 Swarm Skills Hub 加载技能从 Agent Memory 召回历史记忆5. 蜂群场景下Coordination Engine 拆解任务多个 Agent 通过 A2A 协议通信协作6. Harness 容器启动 TaskLoop 循环经过 Agent Shell 安全校验由 Core 层原语执行工具调用所有执行动作在 System Sandbox 中隔离运行7. 任务执行轨迹、指标数据全部上报 openjiuwen-Ops8. 任务结束后异步触发记忆提取压缩、自演进优化9. 最终结果沿调用链路返回用户。2.3核心模块一AgentCore 运行内核2.3.1核心引擎调度原理AgentEngine 总调度采用引擎组合模式不同子引擎负责不同维度ContextEngine 管上下文、HarnessEngine 管运行管控、CoordinationEngine 管多 Agent 协同、SelfEvolving 管自演进。各引擎可独立配置、可插拔替换。2.3.2全双工双轨执行原理全双工模式下Agent Core 内部拆分为两条独立执行通路是 WorkSwarm 全双工能力的底层技术支撑。1. 实时交互通路对接多模态输入由轻量化实时模型负责语音转写、意图识别、即时播报核心实现人声检测、BARGE-IN 打断机制——检测新人声立即停止播报、开启新回合已生成文字保留负责前台对话体验支持随时打断、补充、追问。2. 后台任务通路接收实时通路移交的复杂任务完整复用原有 TaskLoop、工具调用、蜂群协同、记忆系统全部能力负责后台复杂任务处理执行不阻塞前台对话。3. AGENT HANDOFF 交接机制实时通路自动判断任务复杂度简单问题即时回复复杂任务自动移交后台任务状态、进度、结果异步回传原会话支持多任务排队、顺序调整、置顶、取消两条通路独立调度、独立运行音视频关闭后已提交任务仍可继续执行。2.4核心模块二Agent Memory 分层记忆系统OpenJiuwen 的记忆体系采用短时会话记忆 长时分层记忆的双层分离设计其中短时记忆内置于 Agent Core 的上下文引擎服务于单次任务的即时推理长时记忆由独立的 agent-memory 组件实现实现跨会话、跨任务的知识沉淀与复用。2.4.1短时记忆工作记忆原理短时记忆也叫会话上下文记忆是单任务推理的直接“工作内存”对应 Agent Core 内部的 Context Engine是每次推理最先调用的记忆单元。核心作用为当前正在执行的任务提供即时上下文支撑保持多轮对话的连贯性与推理连续性解决单轮对话“失忆”问题。存储内容仅保存当前任务 / 会话范围内的信息包括本次对话的历史消息、每一轮工具调用的输入与输出、中间推理状态、临时任务变量。生命周期随任务启动而初始化随任务结束而销毁不跨会话、不跨任务保留关闭对话或任务终止后短时记忆直接释放不会持久化。实现机制采用滑动窗口 动态优先级裁剪模式默认保留最近的 N 轮对话维持信息新鲜度当 Token 总量接近模型上下文上限时自动按照优先级裁剪——优先保留最新对话、用户明确指令、工具执行结果优先裁剪冗余的中间推理过程、重复表述在保留关键信息的前提下控制上下文长度。核心特点访问速度极快但容量受模型上下文窗口限制属于临时存储无需额外部署存储组件。2.4.2长时记忆持久记忆原理长时记忆是跨任务、跨会话的持久知识沉淀由独立的 agent-memory 组件实现是 OpenJiuwen 区别于多数单 Agent 框架的核心能力之一。核心作用沉淀历史任务中的知识、经验、用户偏好跨任务复用解决长周期任务“失忆”、重复提问、重复推理的问题让智能体具备“经验积累”能力。生命周期任务结束后异步后台加工写入持久化保存在向量数据库与 KV 存储中跨会话、跨任务永久保留可按需召回。1L0-L3 四层分层存储结构长时记忆内部按抽象粒度逐级分层兼顾原始信息的可回溯性与检索效率L0 原始信息层完整无损保存原始对话、时间戳、元数据作为所有记忆提取的源头支持完整回溯容量大、访问频率低。L1 摘要记忆层对单次会话做压缩提炼生成关键结论摘要大幅降低 Token 开销中等容量、按会话检索。L2 结构化记忆层拆分为情景记忆事件、决策、活动和语义记忆背景知识、技能、领域支持语义检索、跨会话复用。L3 用户画像层最高层级抽象存储用户核心特征、偏好、习惯、结构化属性容量最小、访问频率最高、优先召回。2四阶段处理流水线记忆处理是完整的信息加工流水线而非简单保存对话1. 信息提取精炼Extraction Refinement任务结束后异步触发调用大模型从原始对话、工具返回中过滤噪声提取结构化事实、结论、约束。2. 记忆压缩构建Compression Construction对长文本做摘要压缩生成 Embedding 向量平衡记忆粒度与 Token 开销。3. 混合检索Hybrid Retrieval采用关键词精确匹配 向量语义检索双路召回兼顾事实准确性与语义联想能力召回结果注入推理上下文。4. 记忆整合演进Consolidation Evolution后台异步常驻任务合并重复记忆、清理过期信息、更新向量索引持久化写入向量数据库。3Dreaming 睡眠整合机制类比人类睡眠时的记忆巩固过程后台定时异步运行分阶段完成记忆筛选、提炼、整合全程无需人工干预是长时记忆自动演进的核心机制浅睡阶段增量扫描新产生的会话筛选出有价值的会话过滤无效短会话、无意义对话REM 阶段批量完成信息提取、分类、分层生成 L1 摘要记忆、L2 结构化记忆并生成向量索引深睡阶段深度整合跨会话知识更新 L3 用户画像去重冲突记忆完成长期记忆巩固与升华。2.4.3长短时记忆协同工作机制二者在任务全生命周期中紧密配合、双向联动1. 任务推理阶段读路径上下文引擎同时加载两部分信息融合为完整的推理上下文短时记忆提供本次会话已产生的对话历史、工具调用结果、中间状态长时记忆根据当前任务的语义召回相关的历史知识、过往经验、用户偏好。2. 任务结束阶段写路径短时记忆随任务实例销毁直接释放内存长时记忆触发后台异步流程将本次会话中有价值的信息进行提取、精炼、分层写入长时记忆存储完成知识沉淀。2.4.4实现局限记忆提取、摘要的质量高度依赖底座大模型的能力长时记忆依赖外部向量数据库Chroma、Milvus 等轻量场景部署偏重多源记忆的冲突消解策略相对基础复杂长周期多任务场景下容易出现记忆不一致Dreaming 定时整合会产生后台 LLM 调用是无用户交互时 Token 消耗的核心来源之一。2.5核心模块三多 Agent 蜂群协同机制1. Leader Receives TaskLeader 接收任务Leader 作为总负责人接收用户下发的目标任务比如代码编写、论文方案设计。原理Leader 先理解需求规划整体执行方案是整个蜂群任务的入口。2. Budget Check 预算检查执行 budget() 算子核查剩余 token / 算力预算。重点汇报亮点衔接你之前 token 优化内容OpenJiuwen 在这里就做前置管控提前判断任务开销预算不足时可以直接提前剪枝避免无限制消耗 token这就是它控制 token 的手段之一。3. Determine N Workers 确定 Worker 数量根据预算多少决定并行启动多少个 Worker 子 Agent。预算充足就多开几个 Worker 并行生成方案预算紧张就减少并行数量。原理协同引擎动态调控并行规模算力和任务难度匹配。4. Parallel Dispatch 并行分发 parallel()调用 parallel() 算子同时启动多个 WorkerWorker A/B/C…每个 Worker 独立思考、独立生成候选方案。屏障同步机制所有分支全部执行完成才会进入下一阶段。每个 Worker 拥有独立记忆互不干扰各自产出自己的候选方案。5. Filter Empty Results 过滤空结果 compact()compact() 算子剔除执行失败、返回空内容的 Worker 分支只保留有效的候选方案。作用淘汰无效分支减少后续评审环节的 token 开销。6. Streaming Review 流式评审 pipeline()pipeline() 流式流水线评审。候选方案不需要等全部生成完再评审一个候选方案评审完成就立刻进入下一个候选的评审串行依次完成所有候选的审查提升执行效率。7. Stateful Arbitration 有状态仲裁 agent_session()agent_session() 有状态仲裁器保存全部子任务会话状态汇总所有候选方案 全部评审反馈横向对比所有方案挑选最优候选。关键点有状态意味着仲裁过程中间结果会持久保存任务中断后可以断点继续执行。8. Confidence Check 置信度判断仲裁器评估当前最优方案的可信度Yes置信度达标直接选定最优方案No置信度不足触发 human() 人工兜底9. Human Fallback 人在回路介入 human()当 AI 自己拿不准方案好坏就交给人工审核由人来做最终决策修正方案。这就是 OpenJiuwen 支持的人在回路human-in-the-loop。10. Final Return 返回最终结果 return把最终确定的方案作为整个 SwarmFlow 工作流的输出交付给用户。SwarmEngine 蜂群引擎蜂群生命周期管理器接收总任务→初始化蜂群环境→管理 Agent 实例创建、调度、销毁。CoordinationEngine 协同引擎任务拆解将复杂任务自动拆分为并行 / 串行列子任务角色匹配为子任务分配对应角色的 WorkerAgent结果合并收集子 Agent 输出做冲突检测、去重、汇总而非简单文本拼接流转控制支持串行、并行、条件分支等多种协作模式。2.6核心模块四RSI 递归自我改进框架2.6.1双维度设计将自我改进拆为两个互不耦合的优化轨道避免梯度干扰Harness 维度优化 Agent 的工作方法Prompt、Skill、Tool、Rail改过程Artifacts 维度优化最终交付产物论文、代码程序改结果。2.6.2四层架构与六阶段闭环四层架构任务层→迭代优化层→执行层→基础框架层。六阶段闭环评测验证建立基线→分析定位问题→提案构建候选→采纳融合有效改进→RSI 经验沉淀→归档停止。任务层定义优化目标。左边任务输入包含目标、初始版本、任务数据、证据、评测标准和训练材料右边配置包含约束、模型角色、预算、并发和环境。没有清晰评测标准自演进就无法判断变好还是变坏。迭代优化层由 OptimizationController 统一调度。父版本选择决定从哪个版本继续搜索Frontier 保存还值得探索的候选PUCT 在利用高分版本和探索新方向之间平衡预算分配限制总成本。执行层有两条路径。ArtifactBuilder 用于生成或修改产物AgentTaskRunner 用于运行 Agent 任务。ExecutionAdapter 选择 Docker、本地或沙箱并负责超时、取消和异常恢复。两条路径都必须返回结果与证据包里面包括原始输出、分数、轨迹、日志、费用和版本摘要。基础框架提供 AgentLoop、模型与上下文、Tool Skill Rail、沙箱隔离、Checkpoint 和可观测性。上层优化器并不直接假设执行细节而是通过统一结果和证据接口比较不同候选。2.6.3实测效果与局限Harness 优化在 SWE-benchLiteDev 上通过率 61.0%→87.0%冻结后独立测试集 Evo-BenchGeneral 上 60.9%→71.9%核心局限强依赖人工编写的评测集冷启动成本高训练集提升存在过拟合风险泛化能力需单独验证完整 RSI 产品化能力在 WorkSwarm 中开源内核侧缺少完整独立的 RSI 框架实现。2.7其他模块功能简述AgentStudio对应 agent-studio 仓库Web 端低代码开发平台提供拖拽式工作流画布、Agent 编辑器、资源管理输出 DSL 配置交给内核执行。openjiuwen-Ops全链路埋点可观测Trace 追踪所有 LLM 调用支持定位异常 Token 消耗、回放任务轨迹。AgentDistributedRuntime对应 agent-runtime、agent-dx 仓库负责分布式部署、实例管理、负载均衡单机模式自动降级。AgentSystemService底层系统能力包括系统沙箱、隔离文件系统、消息总线散落在各内核仓库中。3.实现局限与现存问题详细分析3.1技术实现层面多语言栈碎片化协议层 C、核心 SDK Python、行业方案 Java多语言并存。agent-protocol 仅提供 C SDKPython 开发者二次开发协议层门槛较高不同语言版本功能迭代不同步。部分组件文档缺失model-router、agent-infer 等仓库无公开简介docs 文档更新滞后于代码高级特性如分布式调度、算力亲和缺少完整开发文档学习曲线陡峭。分布式能力门槛高agent-dx、agent-runtime 的集群部署需要较强运维能力普通研究者大多使用单机模式分布式、多租户、弹性扩缩等能力基本无法体验。算力亲和硬件绑定KVCache 调度、算力亲和优化深度绑定昇腾 NPU / 鲲鹏 CPU 基础设施通用 x86 NVIDIA 硬件上优化效果大幅下降无法复现官方实验数据。记忆模块部署较重agent-memory 依赖外部向量数据库对于简单任务、轻量场景记忆组件显得过重。3.2产品与生态层面RSI 开源程度有限完整 RSI 实验框架、可视化实验页面主要集成在 WorkSwarm 桌面产品中开源仓库没有独立完整的 RSI 实现二次开发自定义 RSI 难度大。插件生态相对薄弱相比 QwenPaw 丰富的桌面工具插件OpenJiuwen 的 agent-plugin 生态体量较小偏向服务端、行业场景个人桌面工具较少。桌面端产品开源度低WorkSwarm 作为面向用户的桌面产品未完全开源开源侧主要是内核与组件普通用户直接使用门槛高。行业方案侧代码不透明agent-solution 行业解决方案仓库仅公布通用组件垂直场景具体实现未完全开源算法层面搜索算法黑盒RSI 的候选生成、父版本选择Frontier / PUCT等搜索算法的具体实现细节公开不足无法判断是否存在局部最优问题。记忆冲突消解能力弱多源记忆冲突、矛盾信息识别的策略较为基础复杂长周期任务容易出现记忆不一致。
