ArchSight AIOS 开源：面向建筑 AI 研发的 AI Coding 与多 Agent 项目治理底座
最近，ArchSight Labs 开源了一个新项目：ArchSight AIOS。
项目地址：https://github.com/ArchSightLabs/archsight-aios npm 包地址：https://www.npmjs.com/package/@archsight/aios
它不是聊天机器人，也不是一个简单的 Prompt 集合，而是一套面向 AI 编程、建筑 AI 研发和多 Agent 协作 的项目治理底座。
更准确地说，ArchSight AIOS 试图回答一个越来越现实的问题：
当 Codex、Claude、Antigravity 2.0 等 AI 工具同时进入一个真实工程项目时，怎样才能让它们读取同一套规则、理解同一份上下文、遵守同一组角色边界，并且按照可验证的方式完成交付？
一、AI Coding 的问题，已经不只是“能不能写代码”
过去讨论 AI Coding，很多焦点集中在模型能不能生成代码、能不能修 bug、能不能补测试。
这些能力当然重要，但在真实项目里，更大的问题往往不是“AI 会不会写”，而是：
- AI 是否知道当前项目的规则？
- AI 是否理解这个项目的领域边界？
- AI 是否知道自己当前扮演什么角色？
- AI 是否知道什么时候应该先设计，什么时候应该先审查，什么时候才能动代码？
- AI 是否能在完成后给出明确的验证证据？
如果这些问题没有被显式组织起来，AI 很容易进入一种“看起来很快，实际不可控”的状态。
它可能会在需求没有读完整时开始修改代码，在上下文不充分时自行猜测方案，在多个工具之间产生规则漂移，或者在没有验证的情况下声称任务完成。
对于普通应用来说，这已经会造成维护成本；对于建筑 AI 研发来说，这类风险会被进一步放大。
因为建筑 AI 项目通常同时涉及 BIM / IFC、图纸、规范条文、施工现场影像、工程知识库、RAG / GraphRAG、智能审图和多源数据处理。这里的很多判断不是普通文本生成问题，而是带有工程语义、审查边界和交付责任的问题。
二、ArchSight AIOS 想解决什么
ArchSight AIOS 的核心目标很简单：
让不同 AI 工具在同一个项目里读取同一套规则、项目上下文、角色分工和验收要求。
它希望减少三类常见问题：
- 乱猜需求：AI 没有读取项目规则和上下文，就开始按照自己的理解补全空白。
- 乱改代码：AI 不清楚当前角色和修改边界，把设计、实现、审查、验证混在一起。
- 无验证交付：AI 只给出“已完成”的结论，却没有明确说明跑了什么检查、验证了哪些风险。
因此，AIOS 不是把 AI 当作一个全能助手，而是把 AI 放回工程协作体系里。
它关注的不是“让一个 AI 什么都干”，而是让 AI 知道自己在什么阶段、承担什么职责、应该遵守哪些约束，以及交付之前必须如何验证。
三、不是 Prompt 集合，而是项目治理底座
很多团队已经开始在项目里使用多个 AI 工具。一个项目中，可能会在 Codex、Antigravity、Claude、Gemini 等工具之间切换：有的负责代码修改，有的负责长文档分析，有的负责架构评审，有的负责测试、审查、发布等专项任务。
问题在于，如果这些工具各自读取不同的提示词、不同的上下文、不同的项目规则，协作很快会失去稳定性。
ArchSight AIOS 的定位，是为项目提供一套统一的 AI 协作入口：
- 统一项目规则；
- 统一上下文目录；
- 统一角色职责；
- 统一工作流；
- 统一验证要求；
- 统一交付边界。
从这个意义上说，它更像一个面向 AI 协作的“项目操作系统”。
它并不替代模型，也不绑定某一个具体 AI 工具，而是把项目内应该被 AI 理解和遵守的规则沉淀下来，让不同工具可以围绕同一套工程契约工作。
在 Codex 里，AIOS 可以通过 /aios 入口把 CEO、Arch、Exec、Plan、Design、Review、Runtime、Knowledge 等角色能力列出来；在 Antigravity 里，也可以以 aios-* 工作流的形式展开同一套建筑行业增强能力。
四、为什么重点面向建筑 AI 研发
ArchSight AIOS 当前重点服务建筑 AI 研发场景。
建筑行业的 AI 项目有一个明显特征：它不是单纯的通用软件开发，也不是单纯的算法实验。
它通常要同时面对：
- BIM / IFC / Revit / CAD 等工程数据；
- 建筑规范、审查口径和行业术语；
- 施工视觉、现场影像和质量安全场景；
- 工程知识库、RAG / GraphRAG 和证据链；
- 智能审图、辅助校核和人工复核流程；
- 面向真实交付的 AI Coding 治理。
这些场景要求 AI 不能只会“生成一段代码”。
它还必须理解：哪些结论只是模型推断，哪些结论需要证据支撑；哪些规则可以自动检查，哪些必须由专业人员复核；哪些代码可以由 AI 修改，哪些交付必须经过测试和人工确认。
因此，ArchSight AIOS 在设计上保留了通用 AI Coding 规则、Agent 路由、Workflow、项目 .ai/ 上下文和交付验证能力，同时把差异化能力集中在建筑行业语义、工程证据链、规范知识工程和可复核 AI 研发流程上。
五、多 Agent 协作需要明确的角色边界
在 AIOS 中，多 Agent 协作不是简单地增加几个角色名称，而是把研发工程治理拆成几个稳定责任面。
例如：
- 产品策略角色关注建筑行业软件 / 系统的定位、深度评价、商业验证与范围取舍；
- 架构类角色关注技术路线、系统边界和复杂度治理；
- 工程类角色关注任务拆解、依赖排序、CI/CD 和发布路径；
- 审查类角色关注 Code Review、安全、性能、技术债和 Prompt 注入风险；
- 建筑数字化角色关注 BIM / IFC、建筑规范、审图语义和工程数据建模；
- AI 工程角色关注 RAG / GraphRAG、MCP、Tool Calling、Memory 和 Agent Runtime；
- 质量与运行角色关注 UAT、验收矩阵、回归覆盖、部署、监控和运行风险。
这些角色的价值，不是把组织结构照搬给 AI，而是让 AI 在执行任务时有明确的责任边界。
一个负责架构评审的 Agent，不应该顺手改代码；一个负责执行修改的 Agent，不应该擅自改变产品边界；一个负责验证的 Agent，不应该只复述实现者的结论。
AI Coding 要真正进入工程化阶段，必须把“谁负责判断、谁负责执行、谁负责审查、谁负责验收”显式写进项目。
六、从“生成代码”走向“可验证交付”
我理解的 AI Coding 工程化，不是让 AI 一路从需求写到上线。
相反，它应该让 AI 更清楚地知道什么时候不该动手。
一个成熟的 AI 编程流程，至少应该包含以下环节：
- 读取项目规则和上下文；
- 明确当前任务边界；
- 判断当前应该设计、实现、审查还是验证；
- 在角色职责内完成工作；
- 记录关键假设、风险和拒绝方案；
- 运行测试、预检或人工可复核检查；
- 输出交付证据，而不是只输出“已完成”。
ArchSight AIOS 试图把这些环节整理成可以放进项目里的工程资产，而不是停留在临时对话和个人习惯中。
在实际使用中，它可以约束 AI 做架构评审、风险识别、任务拆解和验证闭环，而不是只给一个泛泛的“看起来没问题”。
下面这组截图来自一次更接近真实工作的验证：先要求架构评审 Agent 遵循项目入口规则和 .ai/ 约束，避开已有评审报告，只基于当前代码、配置、README、契约和部署入口形成新的评审结论。
第一轮输出之后，再把真实项目里的两份架构评审文档放到同一个评价框架下比较：一份更偏架构洞察，一份更偏工程实施计划。这样做的价值，是能看到 AI 在真实上下文里到底发现了哪些风险、遗漏了哪些风险，以及不同评审方式各自适合支撑什么决策。
从结果看，基于真实项目上下文的评审比单纯套用热门架构检查清单更有价值。它不只给出“是否合理”的宽泛判断，而是能指出生产级隐患、风险优先级、证据链缺口和后续演进方向。
这种对比还能揭示不同评审之间的稳定共识和差异点。完全一致的部分可以作为后续行动的高置信依据，不一致的部分则提示团队进一步复核边界、策略和验证路径。
这类过程的重点不是某一次评分本身，而是让 AI 的判断可以被比较、被追踪、被复盘，也能在下一轮迭代中继续改进。
当评审进入多轮迭代后，评分、风险项和方法论也可以被版本化比较。哪些风险被持续确认，哪些风险被新增发现，哪些验证方式真正提升了检查质量，都应该留下可复核证据。
七、开源之后，希望它成为一个可复用的起点
ArchSight AIOS 目前仍处于早期阶段。
这次开源，更多是把我们在建筑 AI、工程工具开发和 AI Coding 治理中的一些实践沉淀出来，形成一个可以被复用、审查和继续演进的起点。
它不会假设所有团队都使用同一个 AI 工具，也不会假设所有任务都适合完全自动化。
它更关注真实项目中的几个基础问题：
- 如何让 AI 读取项目规则，而不是每次重新猜；
- 如何让不同 AI 工具共享上下文，而不是各说各话；
- 如何让多 Agent 有明确角色边界，而不是互相覆盖；
- 如何让交付带有验证证据，而不是只靠对话结论；
- 如何让建筑 AI 项目的行业规则、工程证据和人工复核点进入 AI 工作流。
对我来说，AI Coding 的下一阶段，不只是模型能力继续提升。
更关键的是：项目如何把 AI 纳入工程体系。
让规则可读，让上下文可继承，让角色可切换，让交付可验证。
这就是 ArchSight AIOS 想持续探索的方向。
欢迎关注，也欢迎一起交流建筑 AI、AI Coding 工程化和多 Agent 项目治理。
项目地址：https://github.com/ArchSightLabs/archsight-aios npm 包地址：https://www.npmjs.com/package/@archsight/aios