为什么你的视觉模型总在“胡说八道”？为什么 AI 视频超过 10 秒就开始剧情崩坏？ 本文揭示一种特别为多模态大模型设计的“左脚踩右脚”自进化训练法——让 VLM 和视频生成模型在真实交互中长出视觉推理能力、物理常识和导演思维。 这种方法对多模态模型的帮助，甚至比纯文...

复杂多轮任务中，单靠提示词的 Agent 又慢又贵；传统微调又缺高质量过程数据。 本文提出一种 “左脚踩右脚”式自进化训练闭环：让 Agent 跑任务产生完整轨迹，再用这些轨迹反向训练基座模型，使其内化工具使用、长程规划和上下文自主压缩能力。 文中还会将这一方法与当...

** 输入提示词：做一个AI Agent最新进展以及发展趋势的调研报告，需要搜索最新的趋势和场景，使用markdown格式输出，涉及图形使用mermaid格式，给出完整报告输入上面的提示词后报告全部自动生成，在CA阶段自动添加了mermaid图表等内容

摘要：本文深入解析 Gliding Horse（流马）AI Agent 操作系统的本体论系统设计。通过 SHACL 形状约束、OWL 推理引擎、本体对齐与漂移检测，为 Agent 产出的每一条 JSON-LD 数据赋予语义一致性和可追溯性。基于 Rust 和 Oxigraph 图存储实现零拷贝推理，让 AI Agent ...

摘要：本文深入解析 AI Agent 工作区文件监控系统的设计与实现。针对 Agent 对文件变化感知盲区的痛点，提出基于 notify 库的实时文件监控、L2 图数据库文件状态索引、LRU 缓存与差分读取、ToolGuard 硬约束拦截四层架构。通过流马（Gliding Horse）开源项目的实战案...

我写的 Gliding Horse（流马） 是一个用 Rust 从零构建的 AI Agent 操作系统。如果你问我：整个系统里最“魔法”的一个设计是什么？ 我会毫不犹豫地回答：把 JSON‑LD 直接编译成 DAG。

摘要：本文深入探讨如何将双曲面空间向量检索（HyperspaceEngine）与默克尔树边‑云差分同步协议集成到 Gliding Horse（流马）Agent OS 中。通过双曲几何（Poincaré/Lorentz）实现技能图谱的层次化低维嵌入，将向量维度从 768 降至 64，内存占用减少 90%+；利用 256 ...

摘要：本文深入介绍了作者用 Rust 从零开发的 AI Agent 操作系统「Gliding Horse（流马）」，它通过 Agent 编排引擎、四层记忆系统、质量门禁和知识图谱，解决了传统 AI 编码助手「失忆、瞎编、偷懒、不记打」四大痛点。文章详细拆解了流马的架构设计（LLM 作为 CPU...

笑了之后，我突然意识到一个很严肃的问题：连UI这种“一眼就能看出对不对”的活都干不利索，我们凭什么相信AI能自主完成那些“看不见摸不着”的后端开发、数据库设计、系统架构？

今天就来聊聊：为什么模型厂商应该把JSON-LD塞进训练数据，以及如果LLM能像写JSON一样写JSON-LD，我的Gliding Horse（流马）平台会变成什么样。

最近Claude Code发布了Workflow功能，群里不少人在讨论。我认真研究了一下，发现这东西确实挺实用——但和我做的流马（Gliding Horse）比起来，思路完全不同。

这个系列写了十来篇，从 JSON-LD 到 CPU 缓存，从 Oxigraph 到丰田安灯绳，从技能图谱到硬核门禁。每篇都在讲“一个零件”，但一直没有把整辆车的图纸摊开给你看。

之前我拆解了 Claude Code 的 5 种上下文管理策略，也介绍了流马（Gliding Horse）的 6 种策略。但有读者提醒我漏了一个关键点：流马的 PA、DA、CA、AA 本身就是 Subagent，而且比 Claude Code 的 Subagent 做得更深。

之前我写了一篇《认清现实吧，LLM就是个“超级赌场”，而我们需要的是一套“紧箍咒”》，聊了为什么AI需要Harness来约束。那篇文章的核心观点是：LLM本质上是无状态的、弱指令遵守的、会产生幻觉的条件概率文本生成器，我们需要一套工程体系来调教它。

一、LLM的本质：一个没有状态的“条件概率文本生成器”如果你用过LLM的API，你会发现一个“反直觉”的事实：LLM本身没有任何记忆。 它不知道上一轮对话说了什么，不知道你是谁，甚至不知道自己在哪。

之前聊了流马的记忆、技能、工具、门禁…… 但有一个问题我一直没正面回答：系统跑久了，技能图谱会乱、知识碎片会散、记忆会膨胀、失败模式会堆积。谁来收拾？指望开发者手动整理？那还不如不搞自动化。指望LLM主动整理？它连自己昨天说过什么都不记得。所以，我决定...

在开始之前，咱们先做一道选择题。你训你家狗子“不准偷吃桌上的肉”。你把肉放在桌上，然后出门了。你猜狗子会偷吃吗？选项A：会。狗子听不懂人话，它只看到肉。选项B：不会。你把肉放进了带锁的保险箱，狗子压根碰不到。这题傻子都知道选B。但回到我们天天打交道的AI...

前几篇文章，我把流马（Gliding Horse）的大脑、记忆、技能、知识图谱挨个拆了一遍。今天聊一个你可能没太注意，但缺了它整个系统就瘫痪的东西——事件总线。

打个比方：技能图谱是“怎么开车”（踩油门、打方向盘、看后视镜），知识图谱是“你车开在哪个城市、哪条路上、目的地是哪”。没有后者，你就是一个车技很好但瞎开的老司机。

没错，今天的主角就是 工具系统——AI Agent 用来干活的那双手。在流马（Gliding Horse）里，这双手不光要巧，还得懂规矩、会省钱、能被审计。更重要的是，它和记忆系统深度绑定，让每一个操作都有迹可循，每一次失误都能被追责。