xiaobaOS： 为什么 Agent Harness 更像操作系统

大模型越来越强，但一个更强的模型，并不会自然变成一个可靠的工作系统。它仍然需要知道任务从哪里进入、该由谁处理、可以调用什么、什么时候算完成，以及失败后如何复盘。xiaobaOS 做的，正是模型上下这些经常被忽略的部分。

所以我更愿意把 xiaobaOS 看成一个 Agent Operating System：它不生产智能本身，而是把模型的计算能力组织成可交付、可复盘、能受控进化的 Agent。

模型是 CPU，不是操作系统

CPU 很重要，但只有 CPU 的机器无法完成工作。进程调度、设备访问、文件系统、权限边界和故障处理，都是操作系统必须承担的职责。Agent 也一样：模型提供推理与生成，却不应该同时承担会话入口、角色路由、工具协议、交付确认和评测门禁。

这个类比的重点不在命名，而在职责分离。当模型、Runtime、角色和外部能力被分开，替换模型不会迫使整套系统重写；某个浏览器操作失败，也可以在 Driver 与证据层定位，而不必把一切归因于“模型不够聪明”。

一次真实任务是怎样运行的

CLI / IM / Desktop
        ↓
Base Main Agent
        ↓ dispatch
Role Subagent
        ↓ same Agent loop
Tools / Drivers
        ↓
Delivery + Trace + Artifact Evidence

所有用户请求先进入 Base Main Agent。Base 是唯一面向用户的主入口，负责理解上下文和选择执行者；真正的专业工作由八个默认 Role Subagents 完成：UserCat、InspectorCat、ReviewerCat、EngineerCat、BrowserCat、GuiCat、SecretaryCat 和 EvolutionCat。

这些角色并不是八套互不相干的框架。它们复用同一个 XiaoBa Agent loop，只在职责、提示词、可用工具和证据要求上不同。这样做让系统既有专业分工，又不会因为每增加一个角色，就增加一套新的调度内核。

为什么 Driver 不是另一个 Agent

浏览器、桌面 GUI 和飞书工作流都很复杂，但 xiaobaOS 没有为它们再启动第二套 Chat / Agent / MCP 循环。BrowserCat、GuiCat、SecretaryCat 仍然负责判断和编排，底层 Driver 只暴露确定性能力：打开页面、点击控件、读写文件、发送消息。

这像操作系统中的设备驱动：Driver 知道怎样操作设备，却不替应用决定业务目标。把判断留在 Agent loop，把执行收敛到 Driver，能减少隐藏状态，也让失败更容易重放和验证。

“完成了”必须有证据

Agent 最危险的错觉之一，是把一段语气确定的回复当成任务完成。xiaobaOS 把模型调用、工具结果、生成文件、实际交付和失败信息写入 trace；文件是否存在、消息是否送达、页面是否真的变化，需要由 artifact、delivery evidence 或硬验证器确认。

这套证据链支撑三种不同的验证方式：

• Trace Replay：复盘已经发生的执行，定位决策和工具链问题。
• Live Agent Eval：重新运行当前 Runtime，检查是否产生新的工具、产物与交付证据。
• Arena：把候选 Role 或 Skill 挂载到真实 Runtime 中，多次运行并用 scorecard 比较稳定性。

Replay 不是 Benchmark，模型自报也不是 Verifier。只有把这几层分开，评测结果才不会因为“回答看起来不错”而失真。

自进化不是第四层，而是一条反馈回路

如果把自进化画成架构顶部的又一层，会让人误以为它只是一个额外功能。实际上，它横跨整个系统：每一次任务都可能留下新的失败模式、成功策略和环境证据，这些信息再反过来推动 Runtime、Role 或 Skill 的候选改进。

InspectorCat 从证据中提取模式，EvolutionCat 形成可审查的候选能力，Arena 用新鲜运行、硬验证器和多次尝试检验它。候选与生产能力始终分离：一次看似成功的运行不会直接改写正在工作的系统。

因此这里的“自”不是无边界自治，而是系统能够自己观察运行结果、提出改进并证明改进是否成立。它进化的依据不是感觉，而是证据。

这个 OS 类比的边界

xiaobaOS 不是通用操作系统，也不提供内核级进程隔离。更准确地说，它是 Agent 软件栈中的 Runtime 与控制面：向下统一模型、工具和环境，向上承载角色、Skills 与真实工作流，并用证据和评测守住变化边界。

但这个类比能解释我为什么不把项目做成一个更长的 system prompt。真正可用的 Agent，竞争力不只来自“能回答什么”，还来自它如何执行、如何证明完成、如何在失败后变得更可靠。