大多数人与 AI 的交互方式是：打开一个聊天窗口，提问，获得回答，关闭窗口。
这种模式的问题是：AI 只是你生活中的临时访客，不是常驻基础设施。每次对话都是孤立的，每次上下文都是重置的，每次产出都是一次性的。
Agent OS 试图改变这一点：让 AI 成为后台运行的、可调用、可治理的个人操作层。
$cat ./modules/agent-os/README.md
$cat ./position.md
不是聊天工具，是操作层
Agent OS 的定位不是"一个更好的聊天界面"。它的定位是连接输入、知识、任务、发布与人工判断的执行层。
想象一个个人操作系统。Life Log Engine 负责记录和归档。Knowledge Base 负责存储和组织。Publishing Stack 负责输出和发布。Agent OS 负责在这几层之间调度任务、执行工作流、生成报告、维护状态。
它是 quiet infrastructure：不需要你时刻关注它，但它在后台持续运行，等待被调用，等待被治理。
$cat ./long-running.md
常驻，不是临时
Agent OS 的核心特性是常驻性。它不仅在对话时存在，也在你离线时存在。
这意味着它可以执行定时任务：定期检查档案健康状态、生成周期性报告、扫描重复或过期内容、执行预定义的审计流程。这些任务不需要你每次手动触发。
常驻也意味着连续性。Agent OS 了解系统的当前状态——哪些任务在进行中、哪些报告待生成、哪些技能需要维护。它不是每次从零开始的空白 slate。
$cat ./inputs.md
多种入口，统一处理
Agent OS 接收来自多个入口的指令和任务：
- 即时指令 — 通过聊天或命令行发出的单次请求，例如生成一份报告、检查某个状态。
- URL 与文本 — 提交的网页链接或文本片段，需要被评估、归档或转换。
- 任务请求 — 复杂的多步骤任务，需要被拆解为子任务并顺序执行。
- 定时任务 — 预设的周期性工作，例如每周档案健康检查、每月知识库审计。
所有输入都经过同一个处理管道：解析意图、调用技能、生成输出、记录痕迹。无论入口是什么，处理方式是一致的。
$cat ./judgment.md
Agent 执行，人做决定
Agent OS 可以执行很多任务：生成报告、检查状态、调用技能、维护索引。但有一类决定它不能也不应该做。
是否发布某个内容？是否保留某个档案？是否删除某个过时的记录？是否将某个实验性流程升级为正式流程？这些决定涉及价值判断和风险评估，必须由人来做。
Agent OS 的设计原则是：执行层自动化，决策层人控。系统负责把信息摆在你面前，把选项梳理清楚，把后果推演出来。但最终的 yes 或 no，由你按下。
$cat ./governance.md
治理能力决定规模上限
一个 Agent 能承载多少能力，不取决于技术上限，而取决于治理能力。没有治理的能力增长只是膨胀。
Agent OS 内置了治理机制：技能目录的维护、能力的分类与索引、运行状态的审计、重复或冲突的检测。这些治理工作不需要人手动完成——它们由 Agent 自己执行，但结果供人审阅。
Skill Governance → 当 AI 工作流越来越多，如何不被自己的工具淹没
$cat ./status.md
当前状态：本地与云端协作运行中
Agent OS 已在本地与云端形成稳定的协作方式。本页面为架构与方法论公开版本，不暴露任何内部配置、密钥或具体技术实现。
所有处理遵循本地优先原则，敏感数据和配置不离开受控环境。
⚗ 隐私与配置边界
本页面仅展示架构与方法论。所有内部配置、密钥、provider 设置、模型参数、任务痕迹均存储于本地设备。公开内容已做完全脱敏处理。