博客

来自 OLAV 团队

发布公告、架构深度解析，以及构建 AI 原生基础设施工具的技术思考。

你的 Agent 订阅已经具备网络分析能力 —— 它只是触达不到真实网络

两个开源仓库，为企业已付费的 Agent 平台接入真实网络模型：跳板机上的 olav-collector，工作站上的 olav-skills，中间只通过一个纯文本目录连接。

为什么给 AI Agent 裸 SSH 权限会触发幻觉死亡螺旋，以及结构化工具加确定性验证如何改变游戏规则

大多数'AI for operations'工具不过是在日志搜索上加了一层 LLM。OLAV 走了相反的路：将网络工程师的完整工作流——采集、解析、分层排障、快照对比、仿真验证、变更规划——建模为一个 AI 专家团队。本文将剖析两者的架构本质差异。

学习不是一件事。OLAV 的智能体在三个层、以三种速度改进——每次运行都学的记忆、可经基准门巩固进去的权重、以及会自调旋钮的 harness——由同一个循环和同一份治理契约统一，使三者相互强化而非打架。这是我们构建它的故事，也包括系统正确地丢弃自己成果的那几次。

在企业内网里，数据往往不能送到托管模型；而本地跑一个前沿级大模型又太贵。~30B 的模型是当下最实际的折中点——但它会幻觉、知识稀薄、可用上下文很短。本文讲怎么在它之上照样构建出一个真正能用的 Agent。

一篇 15 分钟的动手教程。装好 OLAV,用两种方式把设备数据导入(Nornir 在线 SSH 采集,或离线备份导入),创建一次新快照,然后用大白话提问、画拓扑、起草并校验一次变更、跑一次晨检 —— 全程本地 ~30B 模型,数据不出你的网络。

两个版本完成一次架构跃迁 — schema 感知 API 集成、环境感知脚本生成、7 层写安全模型。

为什么 LLM 仅仅是一个 CPU？看 Olav 是如何通过 Harness 架构为生产环境中的 AI 智能体提供“防撞墙”和“控制台”。

OLAV 现已基于 BSL-1.1 协议正式公开发布。本文介绍平台核心架构、各治理层的工作原理，以及下一步的路线图。