先看证据
模型能力已经开放，桌面仍然不会替用户办事
在2026年10月8日的 Open Source Summit Europe 上，openKylin 执行董事刘敏发布了题为“从 AI Runtime 到系统 Agent”的主题演讲，介绍统一 AI 运行时 KART 和系统级 Agent 执行环境。openKylin 是一个起源于中国、面向全球用户的开源操作系统社区，这次演讲回应的问题并非如何再造一个模型，而是如何让模型能力接入日常 Linux 操作。
这个问题随着开源框架和开放权重模型普及而变得更具体：PyTorch、vLLM、llama.cpp 等组件降低了构建 AI 应用的门槛，但模型能力与桌面任务之间仍有断层，AI 软件栈也较为分散，软硬件适配复杂。openKylin据此提出，操作系统的职责要从管理 CPU、内存和文件等资源，扩展到理解用户目标，并把目标转成可协调、可观察的系统动作。这个转向的关键不在“让系统听懂一句话”，而在于能否把意图执行做成受约束的系统能力。
三层架构把模型、Agent和Linux能力接起来
openKylin给出的架构分为三层。底层是 KART 与本地推理引擎 kytensor，提供共享的推理服务；中间是 Agent 执行环境，支持 KylinBot、Kylin-CUA 和第三方 Agent；上层则通过 API 工具与桌面 GUI 技能，让 Agent 能调用既有 Linux 能力。它不是把所有功能塞进一个助手，而是试图把推理、任务执行和系统接口拆开，让不同组件能够协作。
这套分层设计的价值，取决于中间环节能否把“计划”转成真实操作，同时保留权限边界和执行监控。材料称架构会以权限约束和执行监控治理 Agent 对能力层的调用，但没有给出授权模型、失败回滚、敏感操作确认或审计细节。因此，当前更适合把它理解为一种系统集成方向，而不是已经验证完毕的安全执行机制；能否观察到动作，并不自动意味着动作可以被可靠限制。
桌面功能改变交互入口，未必改变任务闭环
在 openKylin 3.0 中，这个方向落到三个桌面功能上：AI Assistant 让用户从寻找功能转向表达意图；Global Intelligent Search 从按位置查找转向语义发现；Intelligent Space 则围绕任务组织信息，而不只依赖文件夹。三者分别触及操作入口、搜索方式和信息组织，目标是减少用户对系统内部结构的了解要求。
但从“意图输入”到“任务完成”之间仍有不少工程问题。一次语义搜索是否准确，不等于助手能安全地修改文件；按任务组织信息，也需要系统判断哪些内容相关、如何更新以及如何让用户纠正结果。现有材料说明了功能定位，没有提供任务成功率、错误处理或用户控制方式的评估数据。对技术负责人来说，值得检验的不是界面是否更像聊天，而是这些功能能否共享上下文、明确行动范围，并在出错时让用户接管。
RISC-V数据展示适配进展，也留下验证边界
openKylin把系统级 AI 的路线也延伸到 RISC-V。在峰会的另一场闪电演讲中，技术委员会成员李建峰介绍了面向 RISC-V 的 AI 桌面工作；社区公布的进展包括 RVV 向量扩展优化、异构计算和 AI 运行时适配。材料称，RVV 内核优化使 ONNX Runtime 的 FP32 推理获得 2–5 倍加速，并称在 SpacemiT K3 上支持使用 vLLM 进行 CPU 推理。交付方式覆盖 .deb、Python wheels、Conda 和 Docker。
这些信息证明项目在尝试打通从指令集优化到框架和发行方式的多个环节，但数字不能脱离测试条件解读。材料未说明 2–5 倍加速对应的模型、工作负载、基线平台或测量方式，也没有给出 K3 上 vLLM 的性能数据，因此不能据此推断所有 RISC-V 设备都能获得相同收益。openKylin表示计划把 RVV 优化和推理框架使能工作贡献回上游；对采用者而言，合理的判断是先按目标硬件、模型和实际任务验证，再决定是否把它纳入部署，而不是把单项优化视为完整的 AI 桌面能力。