holaOS:为智能体打造的计算机,多模式运行、多方式安装,便捷又强大!

holaOS:为AI智能体构建结构化操作系统,实现连续性工作与自我进化 在人工智能领域,智能体框架是构建自主AI系统的核心技术。其原理在于为大型语言模型提供规划、决策和工具调用的能力,从而完成复杂任务。传统框架多采用“任务-执行-重置”的短期交互模式,导致智能体缺乏状态持久性和任务连续性,难以胜任需要长期记忆和迭代学习的“长视野工作”。holaOS通过引入“环境工程学”理念,将智能体视为长期“居民”,而非临时“执行器”,从根本上解决了这一问题。它提供了一个包含持久化内存、结构化运行时和可视化工作空间的完整操作系统环境,使智能体能够实现任务断点续传、经验积累和透明化人机协作。这种 阅读详情

为你和你的智能体打造的计算机

在以本地优先的单一工作空间里,能基于你的工具、文件和共享内存,运行像Claude Code、Codex或holaOS这类的任何智能体。它内置前沿模型,你也能用自己的密钥。
[官网](链接待补) · [文档](链接待补) · [登录](链接待补) · [快速开始](链接待补) ⭐ 若holaOS对你有用,给它点个星,能帮更多开发者发现它。

独特之处

  • 在单一工作空间中运行任意智能体:Claude Code、Codex和内置的holaOS智能体可并行运行,不用切换。不管运行哪个智能体,都共享相同的内存、工具、技能和应用程序。你能为不同任务选最合适的智能体,不用每次都重新配置。没有锁定限制,能用你信赖的智能体。一切都可共享,有统一的上下文、一套工具和一个工作空间。不管用哪个智能体驱动,都能得到一致的结果。
  • 所有智能体共享同一内存:上下文、偏好设置和项目历史都存于单一共享内存中,以普通文件形式本地存储,你能读取和编辑。切换智能体、关闭应用程序,下周再回来,它仍知道你上次的进度。不用从头开始,跨会话和智能体都能持久保存内存。以本地优先,数据在你的设备上,可见且可编辑,不会被锁定在他人的云端。真正可召回,数据结构化且嵌入式存储,需要时能返回正确的上下文。
  • 可自由选择模型:一个账户支持所有模型,不用密钥、不用设置、不用在不同供应商间切换。内置最新的前沿模型,像经济高效的Kimi K3和GLM 5.2适合日常使用,顶级的GPT 5.6、Claude Opus 5和Fable 5能解决复杂问题。若你倾向用自己的供应商,可用OpenAI、Anthropic或任何与OpenAI或Anthropic兼容的端点的密钥,这些将在你的账户上运行,而非holaOS计划。默认零设置,一个账户支持所有最先进的模型,不用管理API密钥。若你需要,也能自带密钥,选自己的供应商和费率。可根据任务选合适的模型。

HolaApps:应用程序与智能体并行运行

能从工作空间内的应用商店安装应用程序,它们会以真实的交互式界面形式在智能体旁边打开。你能观察智能体在应用程序内的操作,随时介入,结果会直接呈现在应用程序中,而非一长串聊天文本。每个应用程序都是实时的用户界面(如Notion、浏览器或你自己的应用),而非聊天记录。应用程序和智能体设计为并排显示,你能随时看到操作情况并接管。一键安装,可浏览工作空间内的应用商店并立即打开任何应用。你也能将HolaApp指向任何URL和MCP服务器,它将在你的设备上运行,由你掌控。

技能、集成与MCP:一次配置,处处复用

  • 集成:通过一键式OAuth可连接Gmail、Notion、Slack、GitHub、Linear等50多个工具。智能体可跨工具读取和操作,无需胶水代码,所有智能体都继承相同的连接。
  • MCP:可插入任何模型上下文协议(Model Context Protocol,MCP)服务器,为智能体提供新工具。你能自带服务器,也可一键安装社区MCP服务器。
  • 技能:将工作流程打包一次,任何智能体都可按需运行。
  • 组合:将技能和集成捆绑成一个一键安装包。

整个工作站都可由智能体操作

  • 由智能体驱动的真实浏览器:智能体可驱动已登录的浏览器进行浏览、点击和提取信息,一切都在你的控制之下。
  • 内置前沿生成功能:每个智能体都内置了最新的图像、视频和音频模型。只需一个指令,就能制作视频分镜、设计海报、为脚本配音。
  • 真实的交付成果:报告、电子表格和幻灯片会保存为真实的.xlsx、.pptx和.docx文件,可直接发送,而非被困在聊天中的文本。
  • 可从任何聊天工具访问:支持飞书、微信、Slack、Telegram等。可从任何聊天线程发送任务,结果会返回至同一线程。
  • 自动化:可按计划或触发条件运行。摘要、监控和报告可自动完成并归档。

多种运行方式

  • 桌面应用程序:下载即可使用,无需设置,内置前沿模型,可免费开始使用。
  • 开源版本:可自行托管。采用修改后的Apache 2.0许可证,你能用自己的密钥,完全在自己的设备上运行。
  • 企业版:支持单点登录(SSO),可为每个智能体、技能和应用设置按角色分配的权限。可连接内部系统而不暴露它们,对每个操作都有审计日志。支持本地部署或使用你自己的云。

目录

  • 快速开始
  • 手动安装
  • 开源版本发布说明

快速开始

一键安装

若要在macOS、Linux或WSL的全新机器上进行初始化设置,可使用仓库安装脚本:

curl -fsSL https://raw.githubusercontent.com/holaboss-ai/holaOS/refs/heads/main/scripts/install.sh | bash -s -- --launch
若你想控制每个设置步骤,也可选择手动安装。
给仓库点星

若holaOS对你有用或有趣,非常感谢你在GitHub上给它点个星。

手动安装

通常你可能不需要这部分内容,因为一键安装会执行相同的设置。当你想检查或控制每个步骤时,可使用手动安装。若选择手动安装,首先要验证常见的先决条件:

git --version
node --version
npm --version
一键设置智能体

若你使用Codex、Claude Code、Cursor、Windsurf或其他编码智能体,可通过一句话完成设置:运行来自https://raw.githubusercontent.com/holaboss-ai/holaOS/refs/heads/main/scripts/install.sh的holaOS安装脚本。若缺少git和Node.js 24.14.1/npm,脚本会自动安装;除非你指定其他 `--dir`,否则会将仓库克隆或更新到 `~/holaboss-ai`;运行 `desktop:install`;必要时从 `apps/desktop/.env.example` 创建 `apps/desktop/.env`;运行 `desktop:prepare-runtime:local` 和 `desktop:typecheck`;只有在你要求 `--launch` 时才会运行 `desktop:dev`。若Electron无法打开,验证后停止并告知你下一步的手动操作。这种交接方式使安装流程自成一体,同时将详细的初始化步骤保留在仓库本地的 `INSTALL.md` 操作手册中。这是本地桌面开发的基本安装流程。
从仓库根目录安装桌面依赖项:

npm run desktop:install
创建本地环境文件:
cp apps/desktop/.env.example apps/desktop/.env
若你完全遵循仓库设置,可保持文件接近模板,仅更改供应商或设备所需的值。标准路径是 `apps/desktop/.env`。目前仍接受现有的旧版 `desktop/.env` 文件,但新设置应使用 `apps/desktop/.env`。
准备本地运行时捆绑包:
npm run desktop:prepare-runtime:local
若你想在启动Electron之前进行快速验证,可运行:
npm run desktop:typecheck
以开发模式启动桌面应用程序:
npm run desktop:dev
`predev` 钩子会验证环境、重新构建原生模块,并确保存在临时运行时捆绑包。若你想在打开桌面应用程序之前准备运行时,有两种常见方法:
- 从本地运行时构建:
npm run desktop:prepare-runtime:local
- 获取最新发布的运行时:
npm run desktop:prepare-runtime
当你积极修改运行时代码时,使用本地路径;当你想针对已知的发布工件验证桌面应用时,使用发布的捆绑包。若你想最快获得可用的本地桌面环境,可使用一键安装;若你需要自己检查或控制每个设置步骤,可使用手动安装。

开源版本发布说明

  • 许可证:采用修改后的Apache 2.0许可证,附带额外的商业分发和品牌使用条件。详情见 `LICENSE` 文件。
  • 安全问题:请私下向 `admin@holaboss.ai` 报告。详情见 `SECURITY.md` 文件。
holaOS:Agent开发者的本地优先调试工作台 大模型应用开发中,Agent的自主行为与不确定性让传统调试工具逐渐失效,开发者普遍面临观察难、追踪难、治理难的挑战。理解上下文管理、工具调用链路追踪等原理,是构建可靠Agent系统的关键。一个本地优先的Agent开发工作台,不仅能在数据安全、调试成本与扩展自由度上带来显著优势,更能通过会话时间线回放、工具入参检查、上下文窗口可视化等能力,帮助开发者从“盲调”走向“可视化治理”,在客服机器人、数据分析、多Agent协作等真实场景中大幅提升工程效率。holaOS正是这一方向的典型实践,它整合开发、调试、测试与监 阅读详情

相关推荐

holaOS:AI原生应用编排框架的设计、实现与实战

在AI应用开发领域,如何高效集成和管理多种AI能力(如大语言模型、图像生成、工具调用)是开发者面临的核心挑战。传统命令式开发模式需要处理繁琐的API调用、状态管理和上下文维护,导致代码臃肿且难以维护。为了解决这一问题,AI应用编排框架应运而生,其核心思想是通过声明式接口和资源抽象,将模型、工具、记忆等组件统一管理,由编排引擎自动调度执行,从而显著提升开发效率和系统可维护性。这类框架的技术价值在于降低了AI原生应用的开发与运维复杂度,使开发者能更专注于业务逻辑和提示词工程。其典型应用场景包括智能客服、内容生成

weixin_42520448的博客 558

ego-lite 快速上手指南:多 Agent 并行、共享登录态的免费 AI Agent 浏览器

ego-lite 是一款免费、共享登录态的 AI Agent 浏览器,把你浏览器的登录状态交给 Claude Code、Codex 等 Agent 使用。任务在隔离的 Space 中执行,你的标签页和鼠标纹丝不动,适合需要长期让 Agent 代劳网页工作的 macOS / Windows 用户。 ## 🚀 五分钟跑通第一个任务 安装只要一次点击:下载与你芯片对应的 DMG(Apple Sil

gitblog_00642的博客 237

holaOS:AI原生应用开发框架,解决AI能力集成最后一公里难题

在AI应用开发领域,大语言模型(LLM)和AI服务已成为基础设施,但如何将这些能力高效集成到具体业务应用中,依然面临诸多挑战。开发者需要处理模型调用、上下文管理、工具调用等一系列复杂问题。holaOS作为一个面向AI原生应用的开发框架,旨在封装这些底层复杂性,提供统一、高效的运行环境。其核心设计理念是将每个AI应用实例视为一个“有状态的、长期运行的进程”,通过内核层、系统服务层、框架与SDK层以及应用生态层的四层架构,实现状态持久化、资源隔离和应用间协作。在技术价值上,holaOS不仅简化了开发流程,还通过

weixin_26969967的博客 699

一天一个开源项目(第209篇):holaOS - Agent 原生的本地工作台,用 TaoToken 统一 Key 打通本地 Agent 调用

holaOS 多 Agent 工作台配置统一 Key 的实操:把工作台内置 Agent、Claude Code、Codex 三处 Base URL 与 Key 都指向 TaoToken,附可复制配置片段与 curl 连通性自检,解决 401、404 与配置不生效。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42596214的博客 177

数量1倍数特性.pdf

数量1倍数特性.pdf

【高速互连技术】合规性测试规范:物理层信号完整性与链路均衡验证系统设计

内容概要:本文档介绍了分析工具进行实践对照,并关注后续规范版本更新以确保符合最终发布标准。

一天一个开源项目(第209篇):holaOS - Agent 原生的本地工作台

holaOS 是一个开源的 Agent 原生工作台,让应用界面和 Agent 并排存在于同一屏幕。它连接 100+ 集成、内置 MCP 支持、支持 Claude Code 和 Codex 等多 Agent 共享内存,以及 Slack/飞书/钉钉的 IM 上下文读取。本地优先,数据不出设备

Cheson的专栏 186

万人睡眠健康与生活方式调查数据集

成年人群睡眠健康与生活方式研究数据集,合成模拟10000行20列单CSV文件,睡眠障碍标记人群占比约四分之一。设置双预测目标:睡眠障碍二分类字段与日间疲劳得分回归字段,可分别开展分类与回归建模。特征字段涵盖年龄、性别、十一种职业类别、每周工作时长、轮班工作标记、自我压力评分、身体质量指数BMI、吸烟状态、每周饮酒量、每日咖啡因摄入毫克数、睡前一小时屏幕使用时间、每周运动分钟数、日均步行数、静息心率、习惯就寝时间点、平均睡眠时长、睡眠质量自评等二十项。数据完整无缺失,结果列与特征列分离清晰,便于目标泄漏防范练习。适用场景:睡眠障碍预测建模、日间疲劳程度回归分析、咖啡因与睡前屏幕对睡眠时长的影响量化、不同职业群体睡眠质量对比研究、逻辑回归与梯度提升模型对比实战等。合成数据不含真实个人信息,适合健康数据分析教学、特征工程练习与机器学习课程实训项目使用。

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

FANUC-R2000iC165F-六轴机械臂码垛仿真

FANUC_R2000iC165F_六轴机械臂码垛仿真

frontend-design skills

frontend-design skills

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

16周全【Harness&Hermes】多智能体开发特训营

2026年的AI开发者圈子里,几乎没有人再怀疑多智能体的价值。Gartner预测年底40%的企业应用将内置智能体,LangChain、AutoGen、CrewAI等框架轮番登场,演示视频里的AI团队分工明确、配合流畅。然而,一个尴尬的现实是:大多数开发者手里跑通的多智能体项目,停留在Jupyter Notebook的最后一行。一旦试图把它塞进真实业务环境,问题便如潮水般涌来——长任务跑到一半崩了要重来,智能体之间的消息黑盒般不可追溯,换个场景就得推倒重写,上线之后连“刚才那次调用为什么花了三倍的钱”都查不出来。 这正是【Harness&Hermes】多智能体开发特训营试图回应的命题。它的切入点不在“再教你写一个Demo”,而在于一个更朴素却更稀缺的能力:让多智能体系统从演示玩具变成可交付、可运维、可演进的生产资产。 要理解这门课的价值,得先看清多智能体开发当前的断层在哪里。单Agent时代,提示词写得好、API调得通,基本就能交差。但多Agent协作的本质是编排:谁负责拆解需求,谁负责执行,谁负责校验,上下文如何在角色之间传递而不丢失,某个环节出错时整条链路如何回退。这些问题的难度不在模型能力,而在工程控制。市面上不缺讲LangGraph节点怎么连、RAG检索怎么做的教程,缺的是把“多个智能体在真实业务压力下稳定协作”这件事讲透的人。 Harness与Hermes的分工,恰好对应了工程控制的左右手。根据课程的设计逻辑,Harness管“流程”,Hermes管“记忆与进化”。Harness 负责长任务的流程治理:一个面试模拟流程跑了二十分钟,中途用户关掉页面,下次打开能不能接着上次的进度继续?某个Agent调用工具超时了,整条链路是崩溃还是优雅降级?线上出了问题,日志能不能精确到“第几轮对话、哪个Agent、调了什么工具、花了多少token”。这些听起来不性感,但任何一

ArchLinux下用Wine运行钉钉全攻略:从字体配置到中文输入法避坑

本文详细介绍了在ArchLinux系统上使用Wine运行钉钉的完整配置流程。从最新的WoW64架构环境准备、中文字体配置与DPI优化,到钉钉安装、关键系统库替换,再到解决中文输入法失效等核心难题,提供了实战避坑指南。旨在帮助Linux用户在企业办公场景下,获得接近原生的稳定使用体验。

alice7model的博客 591
上一篇: 一个提示,11 种 AI 模型生成咖啡店网站,结果和积分消耗差异惊人!
下一篇: Modly Local:开源AI驱动,轻松将照片转化为3D模型!
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值