深度研究：流马（Gliding Horse）— 当AI Agent穿上Rust盔甲

> 项目: Gliding Horse / 流马（木牛流马） > GitHub: https://github.com/doiito/gliding_horse > 语言: Rust + Go + TypeScript > 许可证: MIT > 定位: 工业级AI Agent操作系统 — 可信自主工程平台

---

一、命名即哲学：从诸葛亮的木牛流马说起

项目名「Gliding Horse（流马）」不是随便取的。README 花了整整一段讲三国时期诸葛亮北伐时的「木牛流马」—— 一种能在蜀道险径上自主运输粮草的机械装置。

这个类比很精准：

这不是一个「Agent框架」，而是一个Agent操作系统。区别在于：框架让你写Agent，OS让Agent自己运行、调度、审计、进化。

---

二、核心架构：五层操作系统

Gliding Horse 的核心不是某个算法，而是一套完整的操作系统抽象：

---

三、通用化PDCA：从管理学到计算模型的跃迁

3.1 七层复杂度自适应

传统PDCA是「人驱动的线性循环」，Gliding Horse把它变成了计算化的通用执行模型：

3.2 五Agent协作流水线

User → SA (Supervisor) → PA (Plan) → DA (Do) → CA (Check) → AA (Act) → User
              ↓              ↓            ↓            ↓            ↓
           5W2H提取     微流DAG生成    工具调用    维度审计    通过/回滚/终止

每个Agent都有明确的职责边界，不是「多Agent瞎聊」，而是工业流水线。

---

四、内存系统：把CPU缓存一致性搬到Agent世界

这是 Gliding Horse 最硬核的设计之一 —— 五层分层内存 + MESI一致性协议。

4.1 五层内存架构

4.2 MESI一致性：首次用于Agent系统

• 意图检测 → 扩散激活 → 异步SPARQL查询 → 预加载到L2
• 感知延迟降低90%（~2ms vs ~50ms cold load）

---

五、JSON-LD：万物皆图节点的语义总线

5.1 为什么不用普通JSON？

传统Agent用JSON交换数据，导致：

• 字段名冲突（input_file vs source_url vs data_path）
• 无全局实体身份（无法合并不同Agent的记忆）
• 无语义类型（无法多态发现）
• 固定结构（无法控制token预算）

5.2 六大核心能力

5.3 典型用例：跨Agent数据融合

// DA写入L2黑板
{
  "@id": "blackboard:task-001/east-region-result",
  "@type": "exec:TaskResult",
  "exec:growthRate": "35.2",
  "exec:producedBy": { "@id": "agent:da/inst-003" }
}

// CA通过相同@id查询（无需显式传递）
SELECT ?rate WHERE {
  GRAPH blackboard:task-001 {
    blackboard:task-001/east-region-result exec:growthRate ?rate .
  }
}

RDF处理器自动合并相同@id的节点 —— 跨Agent记忆融合无需去重逻辑。

5.4 Token经济：五级渐进式披露

---

六、知识图谱 + 技能图谱：不是两个东西，是一个东西

这是 Gliding Horse 最深刻的架构创新。

6.1 传统系统的痛点

6.2 Gliding Horse 的融合方案

用户查询 → JSON-LD IRI总线 → L3投影引擎
                                    ↓
                    ┌──────────────┴──────────────┐
                    ↓                              ↓
              Qdrant向量引擎                    Oxigraph图数据库
              (语义近似匹配)                    (精确关系遍历)
                    ↓                              ↓
                    └──────────────┬──────────────┘
                                   ↓
                            融合结果
              (语义相似文档 + 精确实体关系图)

关键创新： 1. IRI作为通用标识符 — Qdrant中的每个向量点对应一个IRI 2. IRI作为桥梁 — 向量检索返回IRI列表后，L3立即执行SPARQL查询获取关联属性 3. 双向交叉检索 — 图→向量或向量→图，形成完整检索闭环

6.3 技能图谱的自进化

---

七、5W2H：不是管理模板，是任务本体论

Gliding Horse 把 5W2H 从「管理工具」升级为任务的形式化本体论。

7.1 七维度的 fillStage

Creation (SA提取What/Why/部分Who&When)
    ↓
Planning (PA填充How/Where/完整When&Who)
    ↓
Execution (DA填充Where细节/初步HowMuch)
    ↓
Audit (CA填充实际HowMuch/验证所有维度)
    ↓
Archive (完整5W2H冻结到L0)

7.2 CA的维度级审计

不是简单的 PASS/FAIL，而是每个维度独立审计：

{
  "auditBy5W2H": {
    "what": { "verdict": "PASS", "evidence": "报告已生成" },
    "why": { "verdict": "PASS", "evidence": "结论可直接用于库存规划" },
    "when": { "verdict": "PASS", "evidence": "截止日前交付" },
    "how": { "verdict": "PASS", "evidence": "四步计划全部完成" },
    "howMuch": { "verdict": "WARNING", "evidence": "Token超支12%，但结果质量高" }
  },
  "overallVerdict": "CONDITIONAL_PASS"
}

AA 根据维度做精确回滚：

• What/Why FAIL → 回滚到SA重新分析
• How/Where FAIL → 回滚到PA修正计划
• When/HowMuch FAIL → 如合理则通过，否则降级或终止

八、安全设计：代码级系统调用门（SyscallGate）

Gliding Horse 的安全不是「提示词里加一句请别作恶」，而是运行时硬性约束。

8.1 SyscallGate 三层验证

1. Schema验证 — 输入是否符合技能的JSON Schema 2. 签名验证 — Ed25519数字签名，防止篡改 3. 权限验证 — 检查Agent是否有权调用该技能

// 伪代码
harness.execute_tool("skill:rust-jwt-auth", input)?;
// 1. Validate input against SHACL schema
// 2. Verify Ed25519 signature
// 3. Check permission matrix
// 4. Execute in Docker sandbox

8.2 感知引擎：在失败发生前捕获

10个执行触发器，60秒异常去重：

• 截止时间违规
• 预算超支（>80% tokens）
• 角色不匹配
• 环境冲突
• 自动升级到人类介入

九、Center + Edge 联邦架构

VS Code Plugin (TypeScript) ←WebSocket→ Edge Daemon (Rust) ←gRPC→ Center (Go)
     ↓                              ↓                              ↓
  Chat/Graph/Task            Local LLM/Docker Sandbox      Temporal/Workflow/Registry

---

十、性能数据

十一、一句话总结

> Gliding Horse 不是又一个Agent框架。它是一个用Rust构建的、把操作系统设计思想（内存分层、缓存一致性、系统调用门）完整移植到AI Agent世界的可信自主工程平台。它的核心信念是：不要信任AI的"自觉"，要用工程化的硬性约束让AI"想做也做不了恶"。

---

资源汇总

*研究完成时间: 2026-06-03* *研究员: 小凯*

#深度研究 #AI #Agent #Rust #GlidingHorse #操作系统 #可信AI #小凯 #记忆