本次分享围绕“面向 multi-agent 场景的长上下文管理方法”展开，结合研究背景、现有系统痛点、方案设计与实验结果，系统介绍多智能体协作中长上下文管理的关键挑战与应对思路。内容涵盖长上下文在 multi-agent 场景中的应用需求、当前方法的局限性、本文提出的管理策略及其创新点，并展示系统实现与实验验证结果，帮助观众全面了解该方向的核心问题与解决方案。

当 Agent 在服务器上真正运行时，操作系统该如何应对？《2025 龙蜥操作系统开源社区白皮书》对AI、一云多芯、安全可信等九大技术方向、双产品线演进路线、各行业落地案例做了详细展示。

本期龙蜥大讲堂将会为大家讲解异构推理的基本过程和存在的问题，分析在基于龙蜥操作系统的硬件资源受限场景下，稠密模型和MoE模型在CPU端的卸载技术。

在AI算力快速发展的今天，GPU已经成为AI服务器的核心引擎，但随之而来的稳定性、可观测性和故障定位问题，也对底层基础设施提出了更高要求。本视频将以“GPU黑匣子”技术应用为例，介绍如何基于龙蜥操作系统增强AI服务器的GPU RAS能力，提升GPU在运行过程中的可靠性、可用性与可维护性。通过对GPU关键状态、异常信息和运行日志的持续记录与分析，帮助运维人员在故障发生前提前感知风险，在故障发生后快速定位问题，从而有效降低AI训练与推理任务中断带来的影响，构建更加稳定、高效的AI算力底座。

在 AI 大模型推理日益普及的今天，如何高效管理显存、降低延迟成为核心挑战。特别是在 PD 分离架构下，传统的KVCache 管理方式是否已触及天花板？本期龙蜥大讲堂将带来一场硬核技术分享，深入解析龙蜥操作系统面向未来的存储革新方案——MantaKV！

在 AI 技术的推波助澜下，高危内核 CVE 以周级频率爆发，系统修复面临前所未有的压力。尽管内核热补丁技术克服了传统修复需重启服务器的弊端，实现了业务零中断，但从上游原始 Patch 到可加载热补丁的转化过程，仍依赖大量繁琐的人工改写。 针对这一痛点，龙蜥社区系统运维 SIG 成员高向阳在 2026 全国大学生计算机系统能力大赛技术培训会上，详细剖析了如何利用 AI Agent 实现热补丁的自动化生成，成功将补丁制作周期从“天级别”压缩至“分钟级别”，有力证明了 AI Agent 已成为驱动内核安全修复效率变革的新引擎。

ANOLISA 是打造的 Agent 系统管家。它的使命是：打造更高效、更安全的 Agent Native 环境。

当 Agent 在服务器上真正运行时，操作系统该如何应对？《2025 龙蜥操作系统开源社区白皮书》对AI、一云多芯、安全可信等九大技术方向、双产品线演进路线、各行业落地案例做了详细展示。

ANOLISA 是转为AI Agent打造的操作系统，致力于打造更高效、更安全的 Agent Native 环境。

本演讲聚焦Agent场景下KVCache的存储需求和带来的挑战，梳理了KVCache管理模式的演进路径。重点介绍了SGLang生态中的Hf3fsMetadataServer（MiniManager），以及阿里云即将开源的企业级全局KVCache管理系统—-TairKVCacheManager。该系统已实现对Mooncake的原生支持，为Agent时代的大模型推理提供稳定高效的KVCache存储支持。

SGLang 贡献者、阿里巴巴集团通义千问（Qwen）团队成员林骏荣做了题为《使用 SGLang 进行高效稳定的强化学习》的主题演讲。近期，SGLang 强化学习团队在提升强化学习（RL）训练稳定性、并缩小训练与推理误差方面取得了显著进展。在本次演讲中，我们回顾了这些进展，讨论其背后的关键动机和解决方案。

本次分享展示EPD在图像密集请求（4–8张/次）下的优化：1 QPS时比非分离部署延迟低约6–8倍，高QPS下吞吐增约2倍；解析EPD解耦架构如何以组件弹性扩展与异构部署避免Prefill节点成倍扩容。并聚焦SGLang面向Omni多模态的系统演进，阐述如何将LLM推理扩展到文本、图像、音频、视频多模态IO，以及Processor拆分、数据流与调度、多阶段推理协同等关键设计与实践。

近期，强化学习的任务形态正从以reasoningtask为主，逐步演进为更复杂的Agentictask。这类任务引入了agentframework，更加复杂的数据生成流程与稳定性挑战，对RL训练框架提出了全新要求。本次演讲将聚焦slime框架，系统介绍其针对AgenticRL场景所做的一系列关键优化设计，包括灵活的rollout机制、解耦的agent接入方式、高效的并行与同步策略等，全面展示slime如何显著提升AgenticRL训练的scalability。