Alibaba Cloud Linux 4 Agentic Edition（ANOLISA）產品概覽
Alibaba Cloud Linux 4 Agentic Edition，別名ANOLISA ，是阿里雲一款 Agent-first 作業系統，專為 AI Agent 設計
鏡像介紹
ANOLISA是阿里雲基於自研的作業系統Alibaba Cloud Linux為Agent設計的衍生作業系統，它提供Agent最佳的運行環境，提升阿里雲客戶使用Agent的體驗。ANOLISA完全相容 Alinux4 所有能力（核心最佳化、雲原生支援等），圍繞 Agent 的認知方式和工作模式，構建全新的OS架構。
層級 | 組件 | 說明 |
封裝互動層 | Copilot Shell（cosh） | 替代預設 Shell，支援自然語言 + bash 雙模互動 |
OS Skills | 內建技能包機制，Agent 通過 Skill 說明書與運行時層、基礎系統層互動獲得部署、營運、診斷、可觀測等"動手能力" | |
運行時層 | AgentSecCore | AgentSecCore 是專門為 AI Agent 打造的安全產品，聚焦Prompt注入、動態代碼執行、Skill安全、意圖偏離、系統內容風險等Agent生命週期的核心威脅，構建“感知-決策-阻斷-溯源” 的OS 側多維度、縱深、閉環防禦機制，支援無侵入式整合到Cosh、OPENCLAW 等 Agent 架構。 |
AgentSight | 一款基於eBPF技術的 AI Agent 可觀測性工具，能夠在無侵入、零修改前提下，對運行在 Linux 系統上的 AI Agent 進行即時監控，捕獲其LLM API 呼叫、Token 消耗及進程行為。 | |
Tokenless | Tokenless 是ANOLISA的 Token 最佳化組件，旨在不侵入商務邏輯的前提下，通過自動壓縮公用程式定義與模型響應內容，顯著降低 LLM 推理 Token 消耗。 | |
ws-ckpt | AI Agent 工作區快照與復原工具，使用者可在關鍵操作前手動建立快照，或開啟每輪問答結束自動快照，支援一鍵回退至任意歷史狀態，保障執行過程的可回退性 | |
Skill Optimizer | Skill 智能最佳化引擎，通過環境感知按需載入與離線先行編譯，減少無關 Skill 幹擾，提升 Agent 任務完成率並降低 Token 消耗 | |
基礎系統層 | Alinux4 | 相容 Alinux4 所有能力（核心最佳化、雲原生支援等） |
適用範圍
ANOLISA適用範圍說明：
適用於多種執行個體規格類型系列，包括ECS Bare Metal Instance。更多資訊，請參見執行個體規格類型系列。
僅支援X86的CPU架構
支援執行個體記憶體建議>=2GB
適用於各種 Agent 情境工作負載，包括 OpenClaw、CoPaw、Claude Code 等主流 Agent 架構
費用
ANOLISA是免費的作業系統鏡像，但使用鏡像時，需要支付其他資源產生的費用，如大模型調用，vCPU、記憶體、儲存、公網頻寬和快照等。
核心優勢
極致Token經濟型
將複雜的OS專家知識封裝為標準化 Skill ，大幅減少執行環境理解以及試錯探索的Token開銷，實現從意圖到執行的零延遲閉環。自然語言重新定義人機互動
首次將 cosh（Copilot Shell）作為預設互動入口，使用者通過自然語言即可驅動作業系統完成環境部署、工具安裝等日常營運操作，告別複雜命令列記憶，帶來操作方式上的根本性變革。Skill 全鏈路安全加密，構築內生安全防線
對每個 Skill 實施數位簽章與加密保護，調用前強制身份鑒權與完整性校正，結合硬體級安全沙箱隔離異常行為，從 OS 核心層面確保 Agent 在受控、可審計、最小許可權的環境中安全運行。
核心組件簡介
Alibaba Cloud Linux 4 Agentic Edition（ANOLISA）包含四大核心組件：Copilot Shell、AgentSecCore、AgentSight、OS Skills，目前均已開源，開源連結https://github.com/alibaba/anolisa。
Cosh（Copilot Shell）
Copilot Shell（cosh）是 Alibaba Cloud Linux 4 Agentic Edition（ANOLISA） 的預設互動式 Shell，替代 bash 作為系統登入後的第一入口。
cosh 的核心設計理念是「雙模互動」。自然語言模式下，使用者直接用中文或英文描述意圖，系統藉助大模型將其轉化為可執行檔系統操作；命令模式下，使用者可通過 ! 首碼快速執行 Shell 命令，或通過 /bash 回退到全功能互動式 bash。兩種模式自由混合，無需切換環境。
在保留完整 bash 相容性的基礎上，cosh 增加了自然語言理解、Skill 調用、MCP 工具整合和多級審批控制等能力。cosh 將複雜的系統級能力抽象為自然語言互動，又整合了OS Skills 說明書，降低了作業系統的使用門檻，使人類使用者和 Agent 智能體都能以簡單的方式驅動作業系統完成任務。
OS Skills
OS Skills是ANOLISA 為 AI Agent 編寫的作業系統使用手冊。
傳統作業系統文檔面向人類使用者，依賴自然語言描述、截圖樣本和行業潛在共識。Agent 在閱讀這類文檔時，需要消耗大量 Token 進行理解。OS Skills 說明書將作業系統知識重新組織為 Agent 可直接理解和執行的結構化格式——SKILL，Agent 不再需要「讀懂文檔再操作」，而是「讀到即能做」。
OS Skills 說明書已覆蓋兩大領域：
說明書領域 | 對應知識域 | 覆蓋內容 |
system-admin | 系統管理 | 使用者與許可權管理、系統服務管理、核心升級等基礎系統管理操作 |
security | 系統安全 | 系統安全基準檢查、漏洞掃描與修複等 |
system-ops | 系統營運 | 提供Linux常見效能以及穩定性問題的診斷能力 |
Agent 在接收到使用者意圖後，自動匹配對應的 Skill 並執行，無需人工指定調用路徑。
AgentSecCore
AgentSecCore是面向 AI Agent 運行平台的作業系統級安全核心。在 AI Agent 逐步獲得作業系統層級的執行能力（包括檔案讀寫、網路訪問、進程管理等）的背景下，傳統應用安全邊界已不再適用。AgentSecCore 從 OS 層面為 Agent 構建縱深防禦體系，確保 Agent 在受控、可審計、最小許可權的環境中安全運行。
AgentSecCore 圍繞"意圖安全"和"系統級兜底"兩大支柱，構建了三層縱深防禦體系——即使前一層被突破，後續層仍能兜住。架構自下而上為：
層級 | 防護能力 | 技術實現 |
第一層：執行前畫邊界（預防） | Prompt Scanner Code Scanner Skill Ledger | 提示注入與越獄檢測引擎（規則+ML+向量檢索三層遞進） 代碼執行前安全攔截器（28條檢測規則，支援Shell/Python） Skill 完整性防篡改引擎（快照簽名 + 只追加版本鏈 + 四階段安全掃描） |
第二層：執行中做感知（檢測） | 安全可觀測 | 覆蓋沙箱隔離、系統加固、資產完整性三域，結構化安全事件持久化，按需產生安全匯總報告 |
第三層：底層做兜底（遏制） | 安全基準巡檢 OS級隔離與監控 | OS級安全強化規則庫自動掃描，檢測Agent對系統安全水位的破壞，產生偏離報告和修複建議 依託Linux核心安全原語（Namespace/Cgroup/seccomp/Capability），提供進程級沙箱隔離、系統調用監控與攔截、細粒度許可權控制 |
AgentSight
AgentSight 是面向 AI Agent 運行平台的作業系統級可觀測組件，解決 Agent 運行中 Token 消耗遠超預期、使用者缺乏感知與追溯手段的問題。它在零侵入商務邏輯的前提下，實現對 Agent 運行全鏈路的細粒度資料擷取與關聯分析。
AgentSight 主要提供以下三項能力：
Token消耗分析：對 Agent 運行過程中的 Token 消耗進行全方位度量與歸因。支援按時間段或最近 N 小時靈活查詢，支援按智能體、任務、角色等多維度拆分消耗來源，分析粒度可精確至單次 LLM 調用。
行為審計：全鏈路記錄 Agent 的 LLM 調用與進程執行行為。完整留存每次調用的供應商、模型版本等中繼資料，同步捕獲進程命令列參數，支援按時間、會話等多維度進行篩選與可視化匯總統計。
Dashboard 可視化：提供 Web 可視化介面，支援遠程部署後通過本地瀏覽器直接存取。可即時查看 Token 消耗趨勢、監控 Agent 進程狀態並提供異常重啟能力，同時支援逐層深入查看每次 Session 的完整 Trace 鏈路，包括使用者輸入、模型提示詞、推理過程及每一步 Token 消耗分布。
ws-ckpt
ws-ckpt 是ANOLISA 面向 AI Agent 工作區的檔案級快照與復原工具（AI Agent Workspace Checkpoint）。
AI Agent 在執行任務時會對工作區檔案進行大量修改，一旦操作失誤或結果不符預期，使用者往往面臨難以恢複的困境。ws-ckpt 快照機製為工作區提供輕量級的快照管理能力，使用者可在關鍵操作前手動建立快照，或開啟每輪問答結束自動快照，需要回退時一鍵恢複至任意歷史狀態，讓 Agent 的操作可撤回、可追溯。
ws-ckpt 的核心設計理念是給「 Agent 的工作上保險」。使用者在執行危險操作前通過自然語言或 CLI 手動建立快照，或進行檔案頻繁修改任務時開啟每輪問答結束自動快照，首次建立快照時系統自動完成初始化，無需額外配置。
ws-ckpt 主要提供以下能力：
能力 | 說明 |
手動快照 | 使用者在關鍵操作前通過自然語言或 CLI 命令手動建立工作區快照 |
自動快照 | 使用者在進行檔案頻繁修改任務時開啟每輪問答結束自動快照開關（目前已支援 OpenCalw 和 Hermes ） |
一鍵復原 | 支援回退至任意歷史快照，恢複工作區檔案到指定時間點的完整狀態 |
快照管理 | 提供快照列表查看與刪除能力，支援使用者自訂快照標識與描述 |
雙模互動 | 同時支援自然語言互動（通過 Agent 對話）與 CLI 命令兩種操作模式 |
Skill Optimizer
Skill Optimizer 是ANOLISA的 Skill 智能最佳化引擎，從載入和執行兩個維度提升 Agent 使用 Skill 的效率與品質。
隨著 Skill 生態不斷豐富，Agent 面臨兩個挑戰：一是每輪對話載入全量 Skill 列表會引入大量無關上下文，增加 Token 消耗並幹擾決策；二是不同模型對同一 Skill 的理解和執行能力差異顯著，導致 Skill 在跨模型情境下表現不穩定。Skill Optimizer 從這兩個維度同時最佳化：智能過濾讓 Agent 只看到當前任務最相關的 Skill 子集，先行編譯最佳化讓高頻 Skill 更好地適配目標模型的能力特徵。
Skill Optimizer 旨在讓 Agent 用更少的 Skill 做更對的事。在載入側，系統自動識別運行環境與工作空間類型，智能匹配並展示最相關的 Skill 子集，整個過程對 Agent 架構完全透明。在執行側，ANOLISA從社區篩選出多個高頻熱門 Skill，經過離線編譯最佳化後預置於系統鏡像中，使用者命中這些 Skill 時可獲得更高的任務完成率與 Token 節省。
Skill Optimizer 主要提供以下能力：
能力 | 說明 |
智能過濾 | 根據運行環境與工作空間類型，自動篩選並展示與當前任務最相關的 Skill 子集，屏蔽無關 Skill |
先行編譯最佳化 | 內建多個經過離線編譯最佳化的高頻 Skill 變體，適配目標模型能力特徵，提升執行成功率 |
透明整合 | 對上遊 Agent 架構完全透明，無需修改代碼，通過配置或對話啟用 |
Tokenless
Tokenless 是 ANOLISA的 Token 最佳化組件 ，從上下文壓縮和命令過濾兩個維度降低Agent 與 LLM 互動的 Token 消耗。
隨著 Agent承接的任務日益複雜，工具定義的膨脹、結構化響應的冗餘、以及命令輸出的噪音會快速填滿上下文視窗，既推高推理成本，也擠佔有效資訊的傳達空間。Tokenless 在 Agent 與 LLM 之間構建一條智能最佳化管線：在前端，自動精簡工具定義的描述資訊，識別並過濾響應中的低價值欄位；在中段，對結構化資料進行緊湊編碼，進一步壓縮體積；在後端，智能過濾命令執行輸出中的幹擾內容。三者協同工作，在不改變 Agent 行為語義的前提下顯著降低 Token 開銷。
Tokenless 旨在讓 Agent 用更少的 Token 完成相同的任務。整個最佳化過程通過外掛程式和 Hook 機制自動介入，對上遊 Agent 架構完全透明，無需修改業務代碼。所有壓縮效果均有量化記錄，為評估最佳化收益提供資料支撐。
Tokenless 主要提供以下能力：
能力 | 說明 |
上下文壓縮 | 精簡 Function Calling工具定義、過濾 CLI 命令響應中的幹擾資訊、緊湊編碼壓縮結構化資料 |
統計追蹤 | 自動記錄壓縮前後對比，按類型匯總節省量 |
透明整合 | 通過外掛程式和 Hook 自動介入，對 Agent 架構零侵入 |