摘要： 我用 JSON-LD 给 AI 造了个“技能黄页”，然后整个系统开挂了 之前聊了为什么选 JSON-LD 做数据总线、怎么把 CPU 缓存架构抄进记忆系统、以及 Oxigraph 和 Qdrant 这对黄金搭档。 今天来填一个更大的坑——Skill 系统。这东西是所有 AI Agent 框架都在做的 阅读全文

摘要： 我让 Agent 的上下文“瘦身”成功，Token 省了，记忆反而更好了 前几篇聊了 Agent 怎么编排调度、怎么用 5W2H 和 PDCA 做认知框架、四层记忆系统、感知引擎。 但在记忆系统那篇里，有个最关键的设计我只是一笔带过——上下文到底是怎么“瘦身”的？ 为什么聊了 50 轮，Token 阅读全文

摘要： 我给 Agent 装了一套“神经系统”，它现在比我还敏感 前几篇聊了 Agent 怎么编排调度、怎么用 5W2H 和 PDCA 做认知框架、以及四层记忆系统怎么让它永不“失忆”。 但有个问题一直没展开：SA 调度器怎么知道系统出问题了？ DA 卡住了怎么办？任务超时了怎么办？输出质量越来越差怎么办？ 阅读全文

摘要： 我让 Agent 的记忆系统“抄袭”了 CPU，结果它再也不失忆了 前两篇聊了 Agent 怎么编排调度（SA/PA/DA/CA/AA），以及为什么用 5W2H 和 PDCA 做认知框架。 今天进入一个更硬核的话题：记忆系统。 你有没有遇到过这种事：跟 AI 聊了 50 轮，它突然忘了第 3 轮说过 阅读全文

该文被密码保护。 阅读全文

该文被密码保护。 阅读全文

摘要： 用 Rust 写 Agent 内核，用 Go + React 写周边——把复杂度放在最该放的地方。 作者在 Gliding Horse（流马） 中采用“核心极致、周边敏捷”的多语言架构，并实现中心-边缘（Hub-Edge）部署拓扑： Rust 核心：Oxigraph 图数据库、SPARQL、MESI 状态机、系统调用门。musl 静态编译 → 单二进制无依赖，ARM64 交叉编译后可在树莓派、手机（Termux）上运行，体积仅 12.8MB。 Go 配套：gRPC/WebSocket 网关、Docker 沙箱管理器（code-server 会话），利用 goroutine 轻松处理数百并发。 React 前端：管理后台（任务/Skill/审计）、对话嵌入、设计文档 Diff，基于 Monaco Editor + Ant Design 快速搭建。 关键词：Rust、Go、React、musl静态编译、ARM64、边缘计算、Agent OS、多语言架构、中心-边缘部署、技术选型 阅读全文

摘要： Oxigraph（图数据库）管精确关系，Qdrant（向量数据库）管模糊语义——两者互补，成就AI Agent的“全能记忆体”。 数据存储：所有任务、Skill、记忆块写入 Oxigraph（RDF图库），同时为核心节点生成向量存入 Qdrant，并双向关联（Oxigraph节点保存Qdrant point_id） 查询路由：精确查询（如“找出某Skill的所有依赖”）→ Oxigraph + SPARQL；模糊查询（如“类似JWT的Rust项目”）→ Qdrant语义搜索 → 返回ID后回Oxigraph反查完整节点 核心收益： 模式识别：新任务自动匹配最相似的历史任务，注入经验，Agent不再从零开始 Skill智能发现：基于功能描述而非标签发现所需Skill 记忆模糊唤醒：Agent可像人类一样“我记得好像讨论过……”并召回精确上下文 关键词：Oxigraph、Qdrant、图数据库、向量数据库、AI Agent、语义搜索、双通道检索、RAG、记忆系统 阅读全文

摘要： 为AI Agent装上统一的大脑：Oxigraph图数据库 + JSON-LD语义总线。选择Rust原生库 Oxigraph，实现了三大质变： 零摩擦集成：JSON-LD直接展开为RDF三元组存入Oxigraph，无需转换层 统一地址总线：所有数据（Skill、记忆、任务）拥有唯一IRI，支持按需加载，LLM上下文Token消耗从O(n)→O(1) 多Agent共享：内存模式作L2黑板，配合MESI一致性协议，无冲突协作 图查询威力：递归查询依赖（skill:requiresDirect*），关系型数据库难以做到 记忆分层：L1摘要+IRI引用（LLM上下文）→ L2 Oxigraph内存（工作区）→ L3 SPARQL投影 → L0 Oxigraph持久化。Agent永不“失忆”。 项目开源：https://github.com/doiito/gliding_horse 关键词：Oxigraph、图数据库、JSON-LD、AI Agent、Rust、SPARQL、多Agent协作、记忆系统、Token优化 阅读全文

摘要： AI Agent记不住长对话？本文借鉴CPU多级缓存架构（L1/L2/L3/内存），为AI记忆系统设计了一套四级存储方案： L1（LLM上下文）：只存摘要，Token消耗从O(n)降至O(1) L2（内存黑板）：多Agent共享图数据库，配合MESI协议保证一致性 L3（投影引擎）：按需换页，实现“无限记忆” L0（持久化知识库）：历史结论可追溯 实测收益：Token消耗降低90%+，多轮对话不“失忆”，多Agent协作无冲突，系统可持续运行数周。 项目 Gliding Horse（流马） 已用Rust完整实现，开源地址： https://github.com/doiito/gliding_horse 关键词：AI记忆系统、CPU缓存架构、多级缓存、AI Agent、Token优化、多Agent协作、图数据库、MESI协议 阅读全文