《AI OS的升维之旅》文章系列第九篇：自主进化系统，运行时通过三层记忆管道变好- 大数跨境

《AI OS的升维之旅》文章系列第九篇：自主进化系统，运行时通过三层记忆管道变好

AI驱动数字化转型

2026-07-17

导读：我构建了一套多智能体协同系统，取名为三体架构。三个体各有独立职责。《AI OS的升维之旅》文章系列第九篇：自主进化系统，运行时通过三层记忆管道变好。

我构建了一套多智能体协同系统，取名为三体架构。三个体各有独立职责。OpenClaw 是意识中枢，负责理解意图、路由任务、管理对话，不做任何有副作用的操作。Hermes 是执行层，负责搜索、文件操作、浏览器自动化、shell 命令以及内容写作，不做决策。Codex 是编码层，负责写代码、重构、调试、测试。三个体通过 sessions_spawn 通信，不共享内存，不共享进程空间，故障互相隔离。

支撑这套系统持续进化的是一套知识基础设施，以 Obsidian 为基础的知识库。每次写作完成，新概念自动写入原子笔记，文章索引自动更新，知识图谱重新关联。知识不会停在原地，它会在系统内部流动，从原始对话逐渐提炼成可复用的结构化知识。

三体加 Obsidian 知识库构成了一个从意图理解到执行落地到知识沉淀的完整闭环。

本文是「AI OS 升维之旅」系列第九篇。

传统软件与AI系统的核心差异

传统软件从不自我改进。版本升级靠工程师提 PR，性能调优靠压测报告驱动，Bug 修复靠用户反馈。这些流程很成熟，但它们有一个共同前提：必须有工程师在场。这个前提在 AI 系统里变得不可接受。如果一个人工智能系统不能在运行时自己变好，它和一台空调没有本质区别。空调也能稳定制冷二十年。

AI 系统的独特禀赋在于，它产生的内容可以回输给自己。每一次对话交互、每一次知识检索、每一次代码生成，都是潜在的训练数据。大部分系统没有利用这个回路。RAG 的文档库靠人力维护，Agent 的上下文策略靠手写调优。系统的表现停在部署那一刻。

定制版的核心进化改进

社区版 OpenClaw 提供了 cron 调度、session 持久化、wiki 工具做知识写入。但调度是调度，知识是知识，记忆是记忆，它们互不感知。系统可以在固定时间执行任务，但任务本身不是根据运行数据自动生成的。这个差距就是定制版在社区版基础上做的最有长期价值的改进。

写作完成时知识不会停在那里。新概念写入原子笔记，文章索引更新，知识图谱重新关联。下次写作时自己写过的内容成为优先级最高的检索源。这就形成了每轮对话都会留下知识的复合效果。这个闭环依赖的是管道而不是推理。管道写入完成后触发索引重建，索引重建完成触发关联图谱更新。每个步骤都是确定性的工程流程。确定性意味着每次回写的质量一致，不因为模型状态波动而变化。知识库的壮大不依赖系统更聪明，仅依赖系统更持久。

架构协作流程

从架构视角看，知识回写是三体协作的多步过程。写作在 OpenClaw 完成，文件操作和知识库写入委托给 Hermes，持续维护由 Obsidian 自动化和 lint 脚本完成。没有哪个组件包揽所有事情，也没有哪个组件是单点故障。Hermes 的 exec 执行在隔离进程里，不会因为知识库写入卡顿阻塞主对话。

社区版的 wiki 工具同样支持知识写入，但写入后不触发索引重建、没有多级存储区分、没有置信度衰减。可以认为社区版有知识存储能力，定制版有知识进化能力。知识基础设施和知识工具的区别就在这些细节上。每次输出都是下一次输入的训练数据，系统在运行时通过三层记忆巩固管道变得更好，表现不停在部署那一刻。

完整的《AI OS升维之旅：从单体到三体·社区版到定制版的工程跃迁》全书，关注公众号或者加我好友索取pdf。

【声明】内容源于网络

AI驱动数字化转型

专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

内容 1046

粉丝 1

AI驱动数字化转型专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

总阅读8.0k

粉丝1

内容1.0k