龙蜥社区（OpenAnolis）
龙蜥社区亮相 GOSIM AI Vision Forum 共话“Agentic Native”开源新
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区10 月，GOSIM AI Vision Forum 在珠海举行。论坛首场圆桌“Roots: Open Source Holding Ground in the Agentic Era”（根系：智能体时代，开源如何守住阵地）聚焦智能体时代开源社区的治理与协作变革。龙蜥社区理事长、阿里云基础软件负责人马涛受邀出席，与 Rust 基金会、OpenUK、OpenCV、北京智源人工智能研究院等机构的负责人同台，就智能体时代的开源治理、代码责任与全球协作展开讨论。圆桌披露的一组数据勾勒出这场变革的深度：在阿里云基础软件团队，95% 的新代码已由 Agent 生成；龙蜥社区正以 Agent 驱动操作系统全生命周期进化，目标让软件工程整体提速一个数量级。
（图/圆桌现场）
本场圆桌由 LF AI & Data 生成式 AI Commons 联合主席主持。圆桌围绕智能体时代开源社区面临的共同议题展开：过去三十年，开源依靠开放治理与人的协作成为企业级软件的基石；随着 AI 开始提交和评审代码，贡献者结构正在改变，治理与信任机制需要重新调整。
（图/龙蜥社区理事长、阿里云基础软件负责人马涛在圆桌发言）
马涛在发言中介绍了两条工作主线。一是打造面向智能体的操作系统底座：操作系统不再只是资源管理底座，更要成为连接算力、模型、工具和应用的智能体基础设施。2026 云栖大会数据显示，阿里云 Agentic OS 可节省 Token 消耗 30% 以上、沙箱部署密度提升 3 倍，同时面向 Agent 短生命周期沙箱、高频进程创建等特征进行系统级优化。二是以智能体原生（Agentic Native）方式开发龙蜥操作系统 Anolis OS 27：软件包与补丁选型、代码评审、补丁回溯等环节分别由不同智能体承担，目标是使操作系统研发、维护、运行与治理全生命周期的进化提速一个数量级。
马涛同时披露了团队的一组数据：当前阿里云基础软件团队 95% 的新代码由智能体生成。他表示，未来，Agent 或可独立构建一套完整的操作系统，这个趋势迟早会到来，我们必须正视它。龙蜥社区的 ANOLISA 则被定位为“每一个 Agent 的运行底座”——当操作系统的用户主体从人转向智能体，龙蜥社区正沿着这一方向持续演进，阿里云与社区生态伙伴共同参与其中。
目前，龙蜥操作系统 Anolis OS 已汇聚多家企业、高校与科研机构共建，同时也是阿里云 Alibaba Cloud Linux 的上游社区。当操作系统产业步入智能体时代，根植产业一线的工程实践与全球社区的开放协作如何相互借力，将是这场变革留给整个行业的问题。对龙蜥社区而言，此次与国际开源组织同台论道，意味着其以 Agent 驱动操作系统演进的探索，正在进入全球开源社区的共同议题；而对阿里云而言，从云上操作系统到开源社区共建，其在基础软件上的积累，正在成为参与这场全球讨论的底气。
—— 完 ——
相关推荐
React Native集成Vision AI：从零构建地标识别应用实战指南
计算机视觉（CV）作为人工智能的核心分支，其核心原理是让机器理解和解释视觉世界。通过图像识别、目标检测等技术，CV能够从像素数据中提取有意义的信息。这项技术的核心价值在于将非结构化的视觉数据转化为结构化的知识，从而赋能各类应用。在移动开发领域，结合跨平台框架与云端AI服务，可以快速构建出功能强大的智能应用。本文聚焦于一个典型的工程实践场景：使用React Native框架，集成Google Cloud Vision API等云端服务，实现一个完整的地标识别应用。内容涵盖从图像获取与预处理、服务集成、状态管理
DeepSeek-V4-Flash-Vision-Exp开源解读：部署、许可与多模态实践
在人工智能技术快速迭代的背景下，开源大模型已成为开发者构建智能应用的重要基础设施。理解开放权重与真正开源之间的区别，掌握模型许可协议的核查要点，是进行技术选型的前提。多模态视觉模型的出现，让计算机具备了同时理解图文信息的能力，这项技术正逐步渗透到自动化测试、文档结构化提取与智能体感知等真实业务场景。借助 Transformers 与 vLLM 等推理框架，开发者可以高效完成视觉模型的本地化部署与服务化封装，将最新模型能力转化为实际生产力。从 DeepSeek-V4-Flash-Vision-Exp 的发布出
AI+Mobile MCP实战：从Swag Labs登录到Facebook龙蛋任务的自动化测试新范式
移动端自动化测试的核心挑战在于脚本的脆弱性，传统基于控件树的定位方式（如Appium）对UI变化极其敏感，维护成本高昂。其原理是通过解析应用的可访问性树来定位元素，一旦ID或层级变动，脚本即告失效。为解决此痛点，一种结合了AI Agent与Mobile Control Protocol（MCP）的新兴技术范式展现出巨大价值。该技术通过AI的视觉理解和自然语言处理能力，将测试意图（如“点击登录按钮”）与具体执行解耦，从而提升脚本的鲁棒性和可读性。在工程实践中，这尤其适用于电商登录、社交媒体复杂任务流等需要高容
基于AI视觉智能体的操作系统UI自动化测试：从元素驱动到视觉驱动的范式革新
UI自动化测试是软件工程中提升测试效率、保障软件质量的关键技术。其核心原理是通过脚本模拟用户操作，自动执行测试用例，从而替代重复性的人工测试。传统基于元素定位（如XPath、CSS Selector）的UI自动化框架，虽然实现了自动化，但其技术价值受限于对底层UI结构的强依赖，导致脚本脆弱、维护成本高昂，尤其在操作系统、跨平台应用等复杂场景下举步维艰。随着多模态大模型和计算机视觉技术的发展，一种融合视觉理解与任务规划的新范式应运而生。这种技术通过让AI“看懂”屏幕像素，像人类一样理解UI元素的语义、状态与关
Kimi K2.5：从多模态模型到原生AI智能体的操作系统重构
AI智能体正从‘调用API的文本模型’迈向具备时空感知、资源编排与跨模态闭环能力的‘认知操作系统’。这一演进依赖于大型语言模型（LLM）底层架构的根本性升级，而非简单叠加视觉模块；其核心驱动力是AI-Agent的原生化设计——能力共生、联合优化、并行调度。技术价值体现在工程可落地性上：如早期融合比例调控、Zero-vision SFT以代码生成替代标注、DEP解耦编码器实现显存优化等。典型应用场景覆盖长视频理解、海量PDF结构化解析、多工具协同决策等复杂任务。Kimi模型系列正是这一范式迁移中最具系统性与工
