
AI Native 的五个维度:从 Agent 接管到系统自运转
国庆折腾完,手里攒了一堆”Agent 接管”的零散做法:Windows 走 WinRM 双通道、HAOS 走系统层、Web 服务走 API 操作面。这篇把它们收成一个框架:一个系统能不能被 Agent 顺畅接管、接管后能不能自己运转,按五个维度打分——Agent-first OS、数据写入即语义化、事件驱动 Agent Swarm、知识自动回流、自然语言操作面。真正花时间的不是建通道,是定打分口径——每个维度都要有反例和落点,否则就是口号。
先把当前栈的定位写死:v2.0 AI-Augmented,还不是 AI Native。分工固定:Zabbix 是眼睛(主机与服务监控告警),JumpServer 是手(审计过的执行通道),Agent 是脑(决策与执行),WeKnora 是记忆(语义知识库)。四个部件各自在跑,没打通的是它们之间的事件链路。这个定位决定了文末自评的结论。
维度一:Agent-first OS —— 结论:Agent 走的路是管理员走的路
判断问题:Agent 操作这个系统,是不是走它最原生的执行面?
反例:SSH 塞 base64 编码的 EncodedCommand 脚本进 Windows,或者模拟点击 UI 干活。能跑,但转码、点击、解析 HTML 都是给 Agent 加的税。
家里落点按系统分:Windows 三台走 WinRM 5985 + PowerShell 7,Agent 侧用 pywinrm 接入,读回结构化的 stdout/stderr/退出码(第一篇);Linux 服务走 SSH + 系统命令;Web 服务走各自的 REST API。原则只有一条:Agent 走的路径应该是一个熟练管理员走的路径,不是给 Agent 单开的旁路。
这条不满足,后面四个维度都谈不上;满足了才谈得上。
维度二:数据写入即语义化 —— 结论:结构化的是状态和决策,不是日志
判断问题:数据写进系统时,是不是已经带着机器能读的结构?
反例:故障处理记在散文里,状态记在聊天记录里,配置散在十几处文件。Agent 每次都要”先读懂现状”,这个读取成本随系统老化往上走。
家里落点:所有任务的起点、检查点、结论统一写进 WeKnora 知识库,头部是 task_id / scene / phase / 时间 / 验证状态 的键值,正文是最小脱敏的事实;库按场景隔离,家里一套、公司一套,凭据不混用。写的时候多花十秒,读的时候省一整轮探索。
关键区分:日志照常落盘,进库的是”这个故障定位到 X、采取了 Y、验证过 Z”这类结论——语义化的是决策,不是过程。
维度三:事件驱动 Agent Swarm —— 结论:眼睛有了,自动伸手差一步
判断问题:事情发生的时候,是不是有东西主动唤醒 Agent,而不是人想起来才查?
反例:所有动作都由人发起,”帮我看看 Zabbix 怎么告警了”。Agent 是被动工具。
家里落点:事件源已经有了——主机层是 Zabbix 触发器,服务层是探活轮。没打通的是”事件 → 唤醒 Agent → 按手册处置 → 回报”这条闭环,现状是”事件 → 通知人 → 人唤起 Agent”。标成部分达成比假装达成诚实。
这条最难做,也最容易被”先记个 TODO”糊弄过去。眼睛是 Zabbix 的,手是 Agent 的,缺的是中间那根唤醒线。
维度四:知识自动回流 —— 结论:回流决策,不回流流水账
判断问题:这次解决的经验,下次同类问题能不能被自动调出来?
反例:同一个坑踩两次。第一次半小时定位,第二次又半小时,因为上次的结论只在那次会话里。
家里落点:知识库记录带 scope 和 validity,Agent 接到新任务先查库——查到就带着上次结论进来。一个已固化的例子:HAOS 那次”容器内配置变更走应用层”的规则,下次同类操作 Agent 不用重新叮嘱。
难点是回流颗粒度:太粗(”升级时注意备份”)没指导价值,太细(整段会话存进去)变噪音。家里的约定:回流”决策 + 验证过的做法”,不回流”过程流水账”。
维度五:自然语言操作面 —— 结论:用户侧收口,前四条健康度的读数
判断问题:人能不能用一句自然语言,触发一条完整的操作链路?
前四条做得再好,人每次还要”记得先查库、再确认通道、再下命令”,接管的价值折半。
家里落点:现在的习惯是给 Agent 极短指令——“继续”、”把 Zabbix 降噪”、”GPU 释放给串流”——然后期望它自己从知识库、git log、全局基线里重建上下文,把能离线做完的做完,别把半成品推回来。这个体验稳不稳,就是前四条维度健康程度的直接读数:任何一条断了,短指令就会退化成长指令。
自评:三条达成、一条基本达成、一条部分达成
| 维度 | 状态 |
|---|---|
| Agent-first OS | 基本达成(Windows/HAOS/Web 三块都有原生执行面) |
| 数据写入即语义化 | 达成(WeKnora 格式统一,按场景隔离) |
| 事件驱动 Swarm | 部分达成(Zabbix 监控有了,自动处置未闭环) |
| 知识自动回流 | 达成(规则已固化,新任务先查库) |
| 自然语言操作面 | 达成(短指令续跑稳定) |
这个自评的价值不在分数,在于把”我到底建到哪了”说清楚了——接下来要补的是事件驱动那一段,而不是再堆接管面。
成果:这套框架现在就能回答”建到哪了”
- 自评已成定论:三条达成、一条基本达成、一条部分达成,”还差多少”不再是感觉,而是可指着看的表。
- 栈的现状有了固定定位:眼睛、手、脑、记忆四个部件各就各位跑着,缺口收敛为一个明确指向——部件之间的事件接线,而不是散落的待办堆。
- 短指令续跑已成日常习惯:”继续”、”把 Zabbix 降噪”、”GPU 释放给串流”,Agent 自己重建上下文、把能离线做完的做完;这条链路一旦退化成长指令,就是前四条维度健康度的直接告警。
- 新组件有了准入打分口径:再接任何面,先按五个判断问题逐条过,每个问题带反例和落点,口号在准入口处就被拦下。
- 自评口径可复核:判断问题与反例都写在正文里,下次复评时按判断问题逐条重跑,而不是争论分数。
未闭环清单
| 事项 | 状态 |
|---|---|
| Zabbix 事件 → Agent 唤醒 → 自动处置闭环 | 未闭环,现状”事件 → 通知人” |
| JumpServer 机器执行通道给 Agent 直连 | 人在环审计通道在用,机器通道是否放开待授权 |
| 知识回流颗粒度校验 | 靠人工约定,无自动检查 |
| 本文自评 | 单视角打分,无第二评估者 |
小结
五个维度、五个判断问题,没有高难动作。真正花时间是给每个维度标”没做到哪”——栈还在 v2.0 AI-Augmented:眼睛、手、脑、记忆各就各位,它们之间的接线是下一个工作面。
只留一条经验:先写下打分口径,再做接管——没有判断框架的系统,做多少都是清单,说不清建到哪了。
文中组件名与服务名以当时家庭环境为准;状态列为单视角自评,未闭环项以表格为准。





