首页 > 人工智能 >开发超越Claude Code Workflow的通用Agent操作系统

开发超越Claude Code Workflow的通用Agent操作系统

来源：互联网 2026-06-13 06:12:08

Claude资讯合集

ClaudeCodeWorkflow是可编排的命令模板，本质是工具链；流马是AIAgent操作系统内核，基于5W2H元数据和历史经验，由SA动态推理执行拓扑，具备四层记忆系统、JSON-LD语义图与IRI总线，实现自我调度、并行协作与知识沉淀。

Claude Code Workflow 与流马：底层逻辑与 Agent 操作系统的深度对比

近期 Claude Code 推出 Workflow 功能，引发不少讨论。实际体验后可以发现，该功能确实具备一定实用性，但与其正在开发的流马（Gliding Horse）相比，二者的底层设计思路存在本质差异。

开发超越Claude Code Workflow的通用Agent操作系统

长期稳定更新的攒劲资源： >>>点此立即查看<<<

本文旨在客观梳理两者区别，并非比较优劣，而是希望说明：大厂功能更新并不直接代表 AI Agent 的发展方向，独立思考和系统性设计才是真正具备竞争力的核心要素。

一、Claude Code Workflow 是什么

Claude Code 的 Workflow 本质上是一种受约束的、可由大语言模型（LLM）实时生成的执行模板。它不是固定流程，LLM 能够根据提示词和内部约束，在框架允许范围内动态调整执行步骤。

该功能已经支持大规模 Agent 并行运行、Agent 间隔离以及相互校验，这一点超出了许多人的预期。用户可以在 Workflow 中定义多个 Agent 角色，使其同时执行任务，并相互检查结果，遇到错误时还能自动修复。

那么它和流马的核心区别在哪里？

Claude Code Workflow 本质上是增强版的 Skill 或 Command，解决的是“将一系列操作打包，让 LLM 自行编排顺序”的问题。但它并非系统化的 Agent 操作系统——缺乏独立的知识图谱记忆、跨会话持久化状态、统一的 IRI 地址总线以及内核级安全校验机制。

简而言之，它是工具，而非平台。

二、流马的动态 PDCA：认知调度器而非工作流

流马从设计之初便未计划构建“工作流宏”，其目标是让 AI Agent 像人类专家一样，先自行分析任务，再决定执行方案。

核心运行机制如下：

Supervisor Agent（SA） 接收任务后，自动提取 5W2H 元数据（做什么、为什么、谁、何时、何地、怎么做、资源投入）。
SA 根据元数据和历史经验，动态决策执行拓扑：
- 简单任务 → 仅派出一个 DA（执行 Agent）
- 标准任务 → PA（计划）→ DA（执行）→ CA（检查）→ AA（决策）
- 复杂项目 → PA → 三个 DA 并行 → CA 汇总 → AA 最终决策
- 探索性研究 → DA CA 循环直到收敛
运行过程中，SA 持续监控系统状态：Token 消耗、错误率、节点冲突等，发现问题立即调整流程。

上述过程并非人工编写的 YAML 文件，而是 SA 实时推理的结果。每个 Agent 的提示词动态生成，Skill 按需从知识图谱加载，整个流程是“活的”，而非静态定义。

三、关键差异：工具链与操作系统的本质区别

对比维度	Claude Code Workflow	流马动态 PDCA 调度
本质	可编排的命令模板	AI Agent 操作系统内核
流程生成	LLM 在约束下实时生成	SA 基于 5W2H 和历史经验自动推理
记忆系统	无独立持久化记忆	四层记忆（L0-L3）+ MESI 协议
数据模型	文件 / 环境变量	JSON-LD 语义图 + IRI 统一地址总线
并行与隔离	支持，但限于工作流层面	原生支持，Agent 间共享 L2 黑板
安全校验	依赖环境限制	系统调用门：Schema 校验 + 数字签名
知识沉淀	无	所有决策可追溯，经验自动回写
适用场景	个人开发者日常任务	企业级长周期、多团队复杂工程

可以这样理解：Claude Code Workflow 相当于一台高级厨师机，能减轻重复性切菜搅拌的负担；而流马则在构建一个完整的智能厨房，包含独立知识库、自动化流程决策、多角色协作以及安全监控体系。

四、为何无需盲从潮流

Claude Code Workflow 发布后，部分开发者认为“AI Agent 终于能编排流程了”。事实上，这种“宏”机制早已存在——从 Makefile 到 GitHub Actions，核心都是人类定义流程、机器执行。

流马选择了另一条路径：让机器自行决定流程。

并非看到大厂功能后才去模仿。流马从零开始就思考：如果 Agent 真正具备智能，它应当能够自行分析任务、分解步骤，并根据反馈动态调整策略。因此，流马的 SA 调度器并非“Workflow 引擎”，而是一个认知决策中心。它利用 L0 长期记忆中历史任务的经验，结合 5W2H 元数据，动态生成执行拓扑。没有两个完全相同的任务，也就没有两个完全相同的流程。

这正是独立思考的价值：不被大厂产品思路左右，从第一性原理出发，打造具有自身灵魂的系统。

五、流马开源：从架构到实现

流马（Gliding Horse）的核心代码已全部在 GitHub 上开源。项目采用 Rust 编写，图数据库使用 Oxigraph，记忆系统借鉴了 CPU 缓存架构。文档仍在完善中，但架构和理念已可独立验证。

如果您对“AI Agent 操作系统”感兴趣，或觉得动态 PDCA 与 JSON-LD 语义总线有一定价值，可以查看源码和设计文档。流马的测试全部基于 deepseek-v4-flash 完成，glidingcode 直接设置 deepseek api key 即可试用。发布版本为无依赖库的 musl 版，仅包含一个可执行二进制文件，支持 X64、aarch64 Linux、macOS、Windows，大小只有 13MB。

最后想强调：不必只盯着大厂的新功能。许多看似酷炫的能力，独立开发者同样可以实现，甚至能做出更贴合实际场景的成果。流马正是这样一件产物——它不完美，但它是独立思考的结晶。同时，Claude 本身在中国使用受限，注册页面甚至无法选择中国。中国拥有大量优秀程序员，完全有能力打造出更强大的 Agent 方案。

侠游戏发布此文仅为了传递信息，不代表侠游戏网站认同其观点或证实其描述