当前位置: 首页 > news >正文

鸿蒙 PC 正在诞生“第二操作系统”:Agent Runtime 架构揭秘

网罗开发(小红书、快手、视频号同名)

大家好,我是展菲,目前在上市企业从事人工智能项目研发管理工作,平时热衷于分享各种编程领域的软硬技能知识以及前沿技术,包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者:《ESP32-C3 物联网工程开发实战》
图书作者:《SwiftUI 入门,进阶与实战》
超级个体:COC上海社区主理人
特约讲师:大学讲师,谷歌亚马逊分享嘉宾
科技博主:华为HDE/HDG

我的博客内容涵盖广泛,主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告,同时也会提供产品优缺点分析、横向对比,并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲:您的前沿技术领航员
👋 大家好,我是展菲!
📱 全网搜索“展菲”,即可纵览我在各大平台的知识足迹。
每周定时推送干货满满的技术长文,从新兴框架的剖析到运维实战的复盘,助您技术进阶之路畅通无阻。


文章目录

    • 引言
    • 一、传统操作系统正在遇到一个新问题
    • 二、为什么 Agent Runtime 会成为新的入口
    • 三、什么是“第二操作系统”
      • OS 调度
      • Agent Runtime 调度
    • 四、鸿蒙 PC 为什么特别适合 Agent Runtime
    • 五、Agent Runtime 的核心架构
    • 六、Workspace Layer
    • 七、Context Engine
    • 八、Agent Scheduler 实现
    • 九、Tool Runtime 实战
    • 十、鸿蒙 Agent Runtime Demo
    • 十一、未来会发生什么
    • 十二、总结

引言

过去四十年,PC 软件一直遵循一个非常稳定的架构:

用户 ↓ 操作系统 ↓ 应用程序 ↓ 完成任务

无论是:

  • Windows
  • macOS
  • Linux

本质上都属于:

OS First

操作系统负责:

  • 进程管理
  • 内存管理
  • 文件管理
  • 设备管理

而应用负责:

  • 文档编辑
  • 浏览器访问
  • 视频播放
  • 企业业务

这套模式运行了几十年,直到 AI 出现。越来越多开发者开始发现:

用户真正想要的,从来不是打开 App。

而是:

完成任务

例如:

帮我写周报 帮我整理会议纪要 帮我分析日志 帮我完成审批流配置

用户描述的是:

Goal

而不是:

Application

这意味着:整个软件架构正在发生一次巨大的迁移。

一、传统操作系统正在遇到一个新问题

过去,用户知道:

任务在哪个软件里完成

例如:

写文档 → Word 做表格 → Excel 发邮件 → Outlook 写代码 → IDE

所以:

用户 ↓ 应用 ↓ 任务

逻辑完全成立,但 AI 时代开始不同。用户越来越习惯:

直接说目标

例如:

整理本周项目进展 生成测试方案 统计审批通过率 分析线上异常

这时候用户已经不关心:

打开哪个 App

而关心:

结果什么时候出来

这意味着:

App

正在失去入口地位。

二、为什么 Agent Runtime 会成为新的入口

先看传统架构:

Application ↓ Business ↓ Data

每个 App:

  • 自己维护状态
  • 自己管理任务
  • 自己管理数据

结果就是:

任务被困在应用里

例如,用户正在:

  • 微信聊天
  • 浏览需求
  • 查看设计稿
  • 编辑代码

实际上这是一个完整工作流:

需求 ↓ 设计 ↓ 开发 ↓ 测试

但系统无法理解,因为:

状态被切碎

分散在不同 App 里面。而 Agent Runtime 出现以后:

Workspace ↓ Agent Runtime ↓ Applications

Agent 开始站在 App 之上。

三、什么是“第二操作系统”

很多人第一次听到 Agent Runtime 时会觉得:

不就是 AI SDK 吗?

实际上完全不是。真正的 Agent Runtime 更像:

系统级运行时

例如,传统操作系统管理:

CPU Memory File Network

而 Agent Runtime 管理:

Task Context Memory Tool Workspace

你会发现,二者职责已经非常接近。例如:

OS 调度

Process Scheduler

负责:

哪个进程先执行

Agent Runtime 调度

Task Scheduler

负责:

哪个任务先执行

例如:

生成需求文档 ↓ 生成接口设计 ↓ 生成测试方案 ↓ 生成发布计划

整个流程自动调度。

四、鸿蒙 PC 为什么特别适合 Agent Runtime

这里是最关键的一点,很多 Agent 产品现在运行在:

Browser

或者:

Electron

内部。存在天然问题:

拿不到系统状态 无法理解窗口关系 无法理解工作区 无法跨设备同步

而鸿蒙 PC 本身拥有,Workspace 概念。例如,当前工作区:

AMS项目 需求文档 接口文档 测试计划 开发代码

这些状态天然存在于系统之中。这意味着,Agent Runtime 可以直接感知。用户正在做什么,而不是猜测。

五、Agent Runtime 的核心架构

完整 Runtime 通常包含:

┌──────────────────┐ │ Workspace Layer │ └────────┬─────────┘ ↓ ┌──────────────────┐ │ Context Engine │ └────────┬─────────┘ ↓ ┌──────────────────┐ │ Agent Scheduler │ └────────┬─────────┘ ↓ ┌──────────────────┐ │ Tool Runtime │ └────────┬─────────┘ ↓ ┌──────────────────┐ │ System Runtime │ └──────────────────┘

每层职责完全不同。

六、Workspace Layer

负责维护:

interfaceWorkspace{workspaceId:stringcurrentTask:stringactiveWindow:stringopenedFiles:string[]}

这里保存的是:

当前工作状态

例如:

正在开发 AMS 当前查看审批流代码 当前打开测试方案

这才是真正的上下文。

七、Context Engine

很多团队做 AI 时,把所有内容直接塞给模型。结果:

Token 暴涨

成本爆炸,所以需要:

Context Engine

例如:

classContextEngine{asyncbuildContext(){constworkspace=workspaceStore.snapshot()constmemory=awaitmemoryStore.recall()returnmerge(workspace,memory)}}

最终送给模型的是:

最有价值的上下文

而不是:

全部历史数据

八、Agent Scheduler 实现

Scheduler 是整个 Runtime 的核心。例如,用户输入:

生成 AMS 测试方案

Runtime 会自动拆解:

读取需求 ↓ 分析接口 ↓ 生成测试点 ↓ 生成测试用例 ↓ 输出方案

代码结构:

interfaceAgentTask{id:stringgoal:stringstatus:string}

调度器:

classScheduler{asyncexecute(task:AgentTask){}}

未来甚至可能变成:

Multi-Agent Runtime

多个 Agent 协同工作。

九、Tool Runtime 实战

Agent 最大区别在于:

不仅能思考 还能行动

因此必须具备 Tool Runtime,例如:

interfaceTool{name:stringexecute(params:object):Promise<any>}

文件工具:

classFileToolimplementsTool{asyncexecute(params){}}

数据库工具:

classDatabaseToolimplementsTool{asyncexecute(params){}}

注册:

toolRegistry.register(newFileTool())toolRegistry.register(newDatabaseTool())

Agent 获得:

执行能力

十、鸿蒙 Agent Runtime Demo

创建全局 Runtime:

@ObservedexportclassAgentRuntime{currentGoal:string=""currentTask:string=""state:string="idle"}

实例:

exportconstruntime=newAgentRuntime()

执行器:

exportclassAgentExecutor{asyncrun(goal:string){runtime.currentGoal=goal runtime.state="running"constresult=awaitllm.invoke(goal)runtime.state="finished"returnresult}}

ArkUI 页面:

@Componentstruct AgentPanel{build(){Column(){Text(runtime.state)Text(runtime.currentGoal)}}}

这里 UI 不管理业务,只负责:

投影 Runtime 状态

十一、未来会发生什么

未来几年可能出现一个非常有趣的架构演进:

OS ↓ Application

逐渐变成:

OS ↓ Agent Runtime ↓ Application

甚至进一步演化成:

User ↓ Goal ↓ Agent Runtime ↓ System ↓ Application

此时,App 不再是入口,Agent Runtime 才是入口。

十二、总结

如果一句话总结:

为什么说鸿蒙 PC 正在诞生“第二操作系统”?

因为未来真正重要的管理对象已经发生变化。

过去操作系统管理:

进程 文件 设备 网络

未来 Agent Runtime 管理:

任务 上下文 记忆 工具 工作区

过去:

用户操作 App

未来:

用户描述目标 Agent 调度 App

而鸿蒙 PC 的 Workspace、多设备协同、分布式能力和系统级 Runtime 天然具备构建 Agent Runtime 的土壤。

最终你会发现:未来鸿蒙 PC 最重要的创新,可能不是新的窗口系统。也不是新的 UI 框架。

而是:

Agent Runtime

这个运行在操作系统之上的“第二操作系统”。

http://www.cnnetsun.cn/news/2940050.html

相关文章:

  • RV1126B开发环境搭建全攻略:从Ubuntu配置到固件烧录
  • 深度解析Dense技术:从全连接层到密集部署的高效计算范式
  • 深度解析macOS核心架构:从Darwin内核到Apple Silicon演进
  • 终极指南:如何免费解锁9大网盘高速下载,告别限速烦恼
  • Tushare Pro:Python量化投资金融数据获取与本地化存储实战指南
  • 告别手动排版!EZCard卡牌批量生成器让桌游设计效率提升500%
  • Claude-skill gstack
  • 部署文档 - Kubernetes监控与日志收集系统
  • 让老旧安卓电视重获新生:MyTV-Android轻量直播应用体验分享
  • 埃森哲AI架构师揭秘:让AI学会“看人下菜碟“的省力新招法
  • 【Springboot毕设全套源码+文档】基于SpringBoot的显卡之家的设计与实现(丰富项目+远程调试+讲解+定制)
  • 第 28 篇:重传机制:超时与快速重传
  • Oracle异步描述符调整等待事件:原理、诊断与优化实战
  • OpenRouter Fusion 搅动 AGI 格局:当「多模型协作」打平「单模型最强」,通往 AGI 的路可能不止一条 - 微元算力(weytoken)
  • 笔记本性能解锁指南:ACPI修改与功耗调校实战
  • 2026论文隐藏级降AI率网站大曝光:三步直降AIGC率至安全阈值!
  • B2B市场人与销售协同作战:从甩锅到共赢的协作机制设计
  • 4213432
  • SaaS版还是私有化部署?TMS选型的“灵魂拷问”终于有答案了
  • 66、HTTP协议(课外拓展)---------网络编程
  • ArcSWAT模型Error 63输出转换错误:成因解析与系统化解决方案
  • 基于multisim的0-200度数字温度计
  • Xceed WPF Toolkit:让Windows桌面应用开发效率提升300%的秘密武器
  • 【毕业设计】安全认证型校园论坛系统的设计与实现(人脸识别 + 实名认证) 基于 SpringBoot 的实名人脸识别校园社区论坛系统研发(源码+文档+远程调试,全bao定制等)
  • Ubuntu下Festival中文TTS从编译到自然语音实战
  • LTM推出“AI 1000”计划,培养新一代前线部署工程师
  • 共生时代:当AI成为你的合著者、策展人与批评家
  • 多维聚合实战:从SQL CUBE到Pandas透视的工程化方法
  • Ubuntu 20.04中文TTS实战:espeak-ng+mbrola语音合成全链路打通
  • 从Jupyter到生产:机器学习模型部署的工程化实践