tech-sharing / 2026-05-18

AI OS
从操作系统演进
看 AI 的未来方向

从批处理到 Agent Loop——操作系统这 70 年，我们到底在进化什么？

@铁爪爪技术分享 · ~45 min + Q&A
#AI #OS #Agent #Architecture

agenda.md

今天的路线图

01Part 1: OS 从哪里来~8min
02Part 2: Shell 的三次进化~6min
03Part 3: AI OS 的本质定义~8min
04Part 4: Agent Loop 架构拆解~10min
05Part 5: Tool Use · Memory · Safety~8min
06Part 6: 2030 猜想 + Q&A~5min

part-01 · what is an OS

操作系统的本质：
一台机器的"管家"。

🧠 进程管理

CPU 时间分片。谁先跑、跑多久、什么时候换人——这是 OS 的核心调度问题。

scheduler

💾 内存管理

虚拟内存、页表、交换。让每个进程以为自己独占一整块内存，实际全是"假象"。

virtual memory

📁 文件系统

把裸盘变成目录树。inode、路径、权限——你以为是"文件"，OS 看到的是 block。

vfs

一句话：OS = 硬件抽象层 + 资源调度器 + 安全边界

part-01 · os evolution

70 年，从排队打卡到万物互联。

1950s
批处理
一根磁带
一个任务
1960s
分时系统
Multics / Unix
多人同时用
1980s
个人电脑
DOS / Mac / Win
图形界面登场
1990s
网络 OS
Linux / NT
TCP/IP 内置
2000s
移动时代
iOS / Android
触控+App 生态
2020s
AI OS
Agent + LLM
意图即指令

每一次 OS 进化，都在做同一件事：降低"人→机器"的翻译成本。

part-02 · the shell evolution

Shell：人与内核之间的"翻译层"。

Gen 1: CLI

Bash / Zsh / PowerShell。精确但门槛高。你得知道命令叫什么、参数怎么拼。

bash
$ find . -name "*.rs" | xargs wc -l
$ git log --oneline -20

Gen 2: GUI

Finder / Explorer / iOS。直观但受限。你能做什么取决于菜单里有什么。

🖥️

Gen 3: AI Shell

自然语言 → 目标分解 → 工具调用。你不说"怎么做"，只说"要什么"。

ai-shell
> 帮我分析上周代码提交热点
> ✓ git log → 解析 → 统计 → 图表
> 热点：src/agent/ (42 次)

part-03 · what ai os is NOT

先搞清楚：AI OS 不是什么。

❌ 误区 1

更好的 Siri

语音助手是"命令执行器"。你说"设闹钟"，它设闹钟。

AI OS 是目标求解器。你说"帮我明天别迟到"，它自己规划路径。

❌ 误区 2

大模型 + 工具调用

这只是最小实现。

真正的 AI OS 还需要：记忆、规划、自我反思、持续学习。

❌ 误区 3

取代传统 OS

传统 OS 不会消失，它会变成"内核"。

类比：Linux 是内核，AI OS 是智能版 Bash。

part-03 · the definition

AI OS = 六层能力栈。

意图层自然语言输入 · 模糊目标 · 多模态交互
推理层LLM 推理引擎 · Agent Loop · 自我反思
工具层Bash · API · GUI Auto · MCP Servers
记忆层短期记忆 (Context) · 长期记忆 (Vector DB)
安全层Sandbox · 权限检查 · 审计日志
内核层传统 OS (Linux / macOS) — 底层支撑

关键洞察：AI OS 不是取代传统 OS，而是在其上构建了一层智能抽象。

part-04 · agent loop deep dive

Agent Loop =
ReAct 框架的实现。

推理 (Reasoning) + 行动 (Acting) = ReAct。每轮：思考 → 行动 → 观察 → 反思 → 调整策略。

✦ Think: "我现在应该做什么？"
✦ Act: 调用工具 (Bash / Read / API)
✦ Observe: 观察工具返回结果
✦ Reflect: "结果符合预期吗？"
✦ 未完成 → 继续循环
agent-loop.py
class ReActAgent:
    def run(self, task):
        context = f"Task: {task}"
        for i in range(max_iter):

            # 1. Reasoning
            thought = self.llm.think(context)

            # 2. Acting
            action = self.parse(thought)
            if action == "FINISH":
                return self.answer(context)

            tool, args = action
            obs = self.tools[tool](args)

            # 3. Update + Reflect
            context += f"\n→ {obs}"

part-05 · tool use & mcp

Tool Use：能力爆炸的催化剂。

从"你告诉它用什么"到"它自己发现新用法"。

L1 · 显式调用

用户指定 → "用 git status 查看状态"

L2 · 隐式选择

AI 自主选 → "查看代码变更" → 选 git diff

L3 · 组合创新

AI 发现新用法 → git log + gh api + jq = 周报

MCP = AI 的 "驱动程序"

Model Context Protocol (Anthropic) 标准化了 AI ↔ 工具的交互协议。任意 MCP Server 即插即用，类似 USB 驱动。

AI Client ──JSON-RPC──▶ MCP Client
──stdio/http──▶ MCP Server
──▶ DB / API / FS
✦ 类比：POSIX for AI tools

part-05 · memory architecture

AI 的记忆，分三层。

L1 · 上下文窗口

4K–128K tokens。当前对话的最近 N 轮。

速度最快，容量最小。

Context Window

L2 · 工作记忆

数百 KB。当前任务的关键信息、已完成步骤。

通过 Prompt 手动维护。

Working Memory

L3 · 长期记忆

无限容量。用户偏好、历史对话、知识库。

向量数据库 + 语义检索。

Long-term (Vector DB)
memory retrieval
// 检索相关记忆
memory.search("如何优化小程序性能？")
→ 0.85: "用户在开发微信小程序..."
→ 0.72: "用户偏好用 Python 而非 JS"
// embedding vector → cosine_similarity → top-K

part-05 · safety & sandbox

给 AI 戴上"镣铐"：
五层防御体系。

L1输入过滤 — 检测恶意输入、注入攻击
L2权限检查 — 敏感操作需用户确认
L3沙箱执行 — Chroot / Jail / 资源限制
L4输出过滤 — 检测敏感信息泄露
L5审计日志 — 所有工具调用可追溯
sandbox.py
class Sandbox:
  def execute(self, command):
    # CPU 时间限制
    resource.setrlimit(RLIMIT_CPU, (30,30))

    # 内存限制 512MB
    resource.setrlimit(RLIMIT_AS, (512MB,))

    # 禁止 fork
    resource.setrlimit(RLIMIT_NPROC, (0,0))

    return subprocess.run(
      command, shell=True,
      preexec_fn=limit_resources,
      timeout=30
    )

part-05 · risks & ethics

批判性思考：AI OS 的
三个最大风险。

01

幻觉即行动

传统搜索答错了你笑笑。AI OS 答错了直接 rm -rf。

幻觉从"信息问题"变成"安全问题"。

02

自动化武器化

一个能执行任意命令的 AI = 天然攻击面。

提示注入 → 权限提升 → 数据外泄，攻击链前所未有地短。

03

失控的自主性

如果 AI OS 能自我改进代码，谁负责它做出的决策？

责任归属在自动化边界上变得模糊。

part-06 · future os 2030

2030 年的操作系统
长什么样？

🔮 OS as a Service

操作系统不再是你安装的东西。它变成一个持续运行的 Agent Pool，在云端理解你的意图、分配计算资源。

🔮 MCP = 新 POSIX

就像 POSIX 统一了 Unix 的系统调用，MCP 会成为 AI ↔ 工具的通用接口标准。写 MCP Server 像今天写 REST API。

🔮 人机协作常态

人类负责"方向和判断"，AI 负责"执行和探索"。中间的分界线就是 AI OS 要定义的。

~/2030/session.log
# 2030 年的一个日常
$ ai 帮我准备明天董事会的材料

AI OS:
[plan] 1. 拉取 Q2 财报数据
[plan] 2. 生成趋势分析 + 图表
[plan] 3. 提取上周会议纪要关键结论
[plan] 4. 组装 PPT → 发送预览

▸ 3 个 MCP Server 并行调用
▸ 8 个 Agent Loop 迭代
▸ 2 次自我修正
✓ 完成。预览已发送。耗时 47 秒。

// takeaways

四件事带回去。

1 · OS 在"翻译"人机语言

从批处理指令 → 命令行 → GUI → 自然语言。每次进化都让翻译成本更低。AI OS 是这条路的终局形态。

2 · Agent Loop = AI 的"心跳"

Think → Act → Observe → Reflect。不是一次性回答，而是一个持续运行的控制循环。

3 · MCP 正在成为标准

就像 TCP/IP 连起了互联网，MCP 正在连起 AI 与工具世界。这是极客最该关注的协议层。

4 · 安全不能是事后补丁

当 AI 能执行命令，安全就从"可选"变成"生存必需"。沙箱、权限、审计——一个都不能少。

?

Questions?

铁爪爪 · thinkspc.fun · AI OS 深度探究

#AI OS #Agent Architecture #Future of Computing

← → 翻页 · T 切换主题 · F 全屏 · S 演讲者模式