开源欧拉再次升级：操作系统开始给智能体打地基-知了AI

开源欧拉升级了：操作系统开始给智能体打地基

11月13日，openEuler在北京发布面向Agentic Infra的操作系统，同步推出openEuler 24.03 LTS SP5，把沙箱、KV Cache、记忆系统与智能体安全治理四项能力收进底座。官方数据显示，openEuler系操作系统国内累计装机量预计突破2200万套，社区成员单位超2200家、贡献者超3万名，已在互联网与金融行业头部客户商用落地。

这场发布会之所以值得关注，不在于又出了一个版本号，而在于它提出了一个新命题：当负载从”短请求”变成”长任务”，操作系统该改什么。openEuler给出的答案是把智能体运行时所需的能力下沉到内核与系统层，让算力更高效地转化成求解能力。

为什么操作系统要变：负载形态换了

从短请求到长任务

传统操作系统假设的负载有三个特征：请求短、无状态、进程边界清晰。一次网页访问、一次数据库查询，进来、处理、返回、结束，资源用完即释放。智能体的工作方式恰好三条都反着来：会话长，一次任务可能持续几分钟到几小时；状态要跨轮次保留，上下文、记忆、中间结果都得存着；工具调用会执行模型生成的可能不可信的代码，进程边界随时被打破。

这些差异在应用层可以用工程手段勉强应付，但代价是重复建设与效率损耗。每个智能体平台都要自己实现沙箱、自己做缓存复用、自己管记忆存储，做一遍交一次学费。openEuler的判断是：这些能力应该沉淀到操作系统层，做成公共底座，上层应用直接调用。

交互方式也在变

更根本的变化发生在交互模式上。过去是人机交互：人发指令，机器执行。智能体时代是多智能体之间的交互：一个调度智能体拆解任务，分发给若干执行智能体，彼此交换中间结果。这种模式下，系统里跑的不再是孤立的请求，而是一张动态变化的协作网络。对操作系统来说，调度对象从”进程”变成”任务链条”，资源分配从”按请求分配”变成”按探索过程分配”。

四项能力：每一项对应一个真实痛点

发布会点名的四项关键能力并非概念包装，每一项都能对应到智能体开发中最费劲的环节。下表把能力、痛点与效果放在一起对照。

核心能力	解决的痛点	关键表现
融合沙箱	工具调用要执行不可信代码	单实例启动低于50毫秒，单节点千并发启动低于10秒
分布式KV Cache	多轮对话前缀重复计算浪费算力	跨进程共享缓存，减少重复预填充
记忆系统	长期记忆硬塞进上下文窗口	外置可检索存储，支持跨会话调用
智能体安全治理	权限越界与行为失控风险	默认断网、只读文件系统、行为可观测

沙箱：快到这里才算能用

智能体调用工具时往往要跑一段模型生成的代码。这段代码可能是对的，也可能删库跑路，必须放进隔离环境执行。难点不在隔离本身，而在速度：如果每启动一次沙箱要等两秒，一个多步任务跑十次工具就要等二十秒，体验直接崩掉。openEuler给出的数字是单实例启动低于50毫秒、单节点千并发启动低于10秒，这个量级意味着沙箱几乎不占感知延迟，用完即弃也变得经济可行。

KV Cache：省的是最贵的那部分算力

多轮对话里，历史前缀大量重复。每次请求都把前面的内容重新算一遍注意力，是推理成本里最冤枉的一块。KV Cache的思路是把键值缓存复用起来，跳过重复的预填充。技术难点不在算法，而在工程：要跨进程、跨请求共享内存页，还要处理失效与一致性，这只有做到内核和运行时层才够干净。openEuler把它做成分布式能力，意味着跨节点的推理集群也能共享缓存。

记忆系统：别把什么都塞进上下文

智能体的长期记忆如果全靠上下文窗口硬扛，结果是又贵又容易丢。合理做法是把记忆外置成可检索的存储，需要时按相关性调取。操作系统层提供记忆系统，好处是多个智能体可以共享同一套记忆基础设施，也便于做权限隔离与生命周期管理。

安全治理：默认保守才是对的

智能体安全治理的关键设计取向是”默认保守”：沙箱默认断网、文件系统只读或只给临时目录、所有操作留痕可观测。这种设定在功能演示时显得碍手碍脚，但在真实生产环境里，一次越权操作的代价远超十次便利。把保守设为默认，让放开成为显式选择，是基础设施应有的姿态。

超节点与”思程”：两个更深的技术押注

超节点软件栈的延续

这次发布不是从零开始。2025年openEuler发布了全球首个支持超节点的操作系统，把单机资源管理升级为跨节点资源协同，已有多家伙伴推出基于openEuler的超节点OS版本。今年24.03 LTS SP5继续夯实这条线：增强UMDK池化通信、全局内存共享池、故障防扩散与低时延调度，并在八大场景做算力释放。

超节点与智能体的结合点很直接：一个多智能体任务可能同时需要多个节点的算力、内存与存储，跨节点资源池化能把碎片算力拼成大块，故障防扩散则保证一个节点的异常不会拖垮整个任务链。

思程：把探索状态纳入调度

“思程”是这次发布里最有想象力的概念，官方定义是智能体思考、执行、探索和演进的基本运行单元。传统调度器看的是进程的CPU和内存占用；思程把智能体的探索状态与底层资源调度打通，意味着调度器知道”这个任务正在试错、还需要更多算力”或者”这个方向已经收敛、可以收缩资源”。

效果有案例支撑：某股份制大行在Agentic RL场景下基于思程提升训练效率10%以上。这个数字不算惊人，但方向值得注意——操作系统的调度目标从”让程序跑完”变成”让智能更快找到答案”，是范式级别的调整。

版本对比：这次升级到底改了什么

为了避免把发布会的宣发口径当成事实，把openEuler相关版本的演进拉成一条线，更容易看清每一步的增量。

版本/节点	时间	核心定位	关键能力
首个超节点OS	2025年	跨节点资源协同	超节点系统软件栈，多伙伴发行版跟进
openEuler 26.09 创新版	2026年10月	AI场景试水	6.6与6.18双内核、智能体可观测、SkillHub、KV Cache协同加速
openEuler 24.03 LTS SP5	2026年11月	面向Agentic Infra	融合沙箱、分布式KV Cache、记忆系统、智能体安全、超节点池化增强

从表里可以看出，26.09创新版是技术预演，24.03 LTS SP5是把试过的能力收口成可交付的长周期支持版本。这种”创新版试错、LTS版交付”的节奏，是成熟开源社区的常规做法，也解释了为什么这次发布强调”已经在头部用户商用落地”——能力不是新写的，是经过一轮验证的。

生态与全球化：数字背后的分量

装机规模与市场份额

这一系操作系统国内累计装机量预计突破2200万套，沙利文预测2026年其在中国服务器操作系统新增市场份额将攀升至61%。社区侧汇聚2200余家成员单位、超3万名贡献者，覆盖金融、电信、能源等关键行业，并进入卫星系统、具身智能等新兴领域。对一个成立七年的开源社区来说，这个体量说明它已经从”替代选项”变成”默认选项”之一。

四路并行的全球协作

全球化方面这次动作密集：巴基斯坦高等教育委员会发布HECOS 1.0，成为海外首个基于openEuler的本土操作系统；社区与vLLM、Ceph达成技术协作；携手Ubuntu在超节点等领域交流共建；与SUSE共建开放式私有企业AI基础设施，并与Clyso打造开源存储底座。四条线分别对应推理、存储、发行版与企业私有云，拼起来是一张完整的国际协作网。

社区自己也在被AI改造

一个容易被忽略的细节是：openEuler计划到年底实现80%的CVE由AI辅助处理、社区服务Agent 100%接入。开源社区本身正在用智能体改造自己的运营方式——漏洞修复、代码审查、问题响应，这些过去靠人力堆的工作正在被自动化。这既是效率提升，也是最好的自我验证：如果自家的基础设施撑不住自家的智能体，就别谈对外赋能。

冷静看：三个待观察的问题

问题一：能力强了，会不会变成新的锁定

把沙箱、缓存、记忆下沉到操作系统，确实提升了效率，但也增加了迁移成本。上层应用如果深度依赖这些系统级接口，换到别的OS就要重写。开源许可降低了这种风险，但生态惯性仍然存在。健康的做法是社区把这些接口做成标准化、可移植的规范，让能力可带走。

问题二：性能数字需要独立复测

50毫秒启动、千并发10秒、训练效率提升10%，这些数字来自官方口径，测试条件未完全公开。真实生产环境的负载分布、硬件配置、并发模式都更复杂，建议企业在选型时用自身业务数据做POC验证，而不是直接采信宣传口径。

问题三：智能体安全的边界谁来定

操作系统能提供沙箱与权限隔离，但”智能体可以做哪些事”这个边界不是技术能单独回答的。金融行业的智能体能否直接发起转账？企业内部智能体能访问哪些系统？这些需要业务、合规与安全团队共同定义。基础设施把工具做好，规则仍需人来写。

对不同角色意味着什么

对企业的IT负责人，这是一个重新审视基础设施选型的时机：如果正在规划智能体平台，把沙箱与缓存复用做成平台自研模块的成本，可能高于直接使用系统级能力。对开发者，关注点应该是接口的稳定性与文档质量，而非发布会上的性能数字。对开源从业者，这条路径提供了一个样本：从一个跟随者，靠押注一个尚未定型的赛道（超节点、Agentic Infra），完成位置的上移。

智能体要真正走进生产系统，靠的不是更聪明的模型，而是更可靠的地基。openEuler这次升级的意义，正在于它把注意力从”模型能做什么”转向”系统能撑住什么”。这条路上没有爆款演示，只有一行行把延迟压下去、把隔离做扎实的工作——而这恰恰是基础设施该有的样子。

把镜头推近：一次智能体任务怎样穿过系统

第一步：任务进入与拆解

假设一位银行客户经理对系统说：”帮我整理这家企业客户近三年的授信变化，并给出续贷建议。”这句话进入系统后，调度智能体先做拆解：调取授信记录、调取财报数据、比对同业情况、生成建议文本、核对合规要点。五个子任务里，三个要访问内部数据库，一个要跑模型推理，一个要生成文本。这个拆解过程本身，就是一次”思程”的诞生。

操作系统在这一步能做的是资源预判：根据任务链条的形状，提前为每个子任务预留算力与内存，而不是等请求到来再排队。传统调度器看到的是一个一个到来的请求，无法预见后面的依赖关系；把任务链条作为调度单位后，资源可以按链条整体分配，减少中途等待。

第二步：沙箱里的工具调用

第三步的子任务需要跑一段数据处理脚本。这段脚本由模型生成，必须假设它不可信：可能读错表、可能死循环、可能试图连外网。沙箱在毫秒级启动，挂载只读的数据快照，网络默认关闭，执行完立即销毁。如果脚本失败，沙箱内的失败不会污染宿主环境，智能体可以换个思路重试，成本只有一次五十毫秒的启动。

这里是四项能力咬合最紧的地方。沙箱要快，靠的是轻量虚拟化与预加载；要省，靠的是用完即弃而非池化长驻；要安全，靠的是默认拒绝的权限模型。三者缺一，要么慢、要么危险、要么资源被长期占住。

第三步：缓存与记忆的分工

任务进行到生成建议的环节，模型需要理解前面所有的取数结果。这些内容如果每一轮都重新编码，算力消耗会呈线性增长。KV Cache在这里发挥作用：相同前缀的注意力缓存被复用，只有新增内容需要计算。与此同时，历史客户的偏好、过去的沟通记录从记忆系统中按相关性调取，而不是全部塞进上下文窗口。

缓存与记忆的边界值得分清：缓存是临时的、性能导向的，任务结束就可以丢弃；记忆是长期的、语义导向的，需要持久存储与检索。把两者混为一谈是很多智能体平台早期的通病——要么把所有东西都当缓存，重启即失忆；要么把所有东西都当记忆，检索越来越慢。

第四步：结果回传与可观测

建议文本生成后，还要经过合规核对。这一步不能再交给模型自由发挥，而是要用规则引擎逐条比对。整个链条的每一步调用、每一次权限申请、每一个沙箱执行，都会留下可观测记录。这些记录既是排障依据，也是审计凭证——在金融行业，没有可观测就没有上线资格。

任务完成，一个”思程”走完了思考、执行、探索、演进的完整循环。如果客户经理追问”为什么给出这个建议”，系统可以顺着记录回溯每一步的数据来源与推理路径。这种可解释性，是智能体从演示品变成生产工具的分水岭。

横向比较：三类智能体底座的取舍

自建平台、云厂商方案与开源系统

企业构建智能体能力，大致有三条路。第一条是自建：在现有Linux上自己搭沙箱、自研缓存、自建记忆服务。灵活度最高，但重复造轮子的成本也最高，且每一块都要自己维护安全。第二条是云厂商的托管方案：开箱即用、按量付费，省心但数据出网、定制受限。第三条是开源操作系统加自建应用：底座由社区维护，上层自由开发，兼顾可控与效率。

对比维度	完全自建	云厂商托管	开源系统底座
初始投入	高，需自研多模块	低，开箱即用	中，部署加适配
数据驻留	完全本地	多在云端	可完全本地
能力成熟度	取决于团队水平	较高，迭代快	中上，随社区演进
定制空间	最大	受接口约束	较大，可改源码
长期成本	运维人力高	随调用量增长	运维可控，人力中等
适合对象	技术实力强的头部企业	追求快速上线	重视可控与合规