2026 开放原子开源生态大会上，龙蜥社区迎来了发展历程中的又一重要里程碑——正式完成向开放原子开源基金会的捐赠。在捐赠仪式上，开放原子开源基金会秘书长助理李博出席见证，龙蜥社区理事长马涛代表社区完成签约。会上，阿里巴巴集团合伙人、阿里云高级副总裁蒋江伟分享了开源战略在阿里巴巴的落地实践。蒋江伟强调，在 AI 时代，操作系统是被重塑最深的基础软件层，龙蜥社区正是这一变革中的关键力量。同时，在大会上蒋江伟宣布了将龙蜥社区正式升级为“AI原生操作系统社区”。

2026 开放原子开源生态大会上，在开放原子开源基金会理事长谢少锋和龙蜥社区理事们的见证下，龙蜥社区（OpenAnolis）正式官宣升级为 AI 原生操作系统社区，并发布了面向智能体系统的社区级技能生态平台 SkillHub 。

让 Agent 既能事后止损，更能事前预防。

中兴通讯无线软件平台部系统性能调优专家张诗烩做《OpenJDK 的 RISC-V 生态实践》主题演讲。他围绕 OpenJDK 在 RISC-V 架构上的工程化实践展开，重点介绍了 OpenJDK master 分支中 RISC-V 相关改进反合到 OpenJDK 21 的过程，并结合当前针对 RVV 后端冗余 vset 指令的优化工作，分析了 RISC-V 向量化代码生成中的性能问题与改进思路。

中国科学院软件研究所工程师、编译器专家王玉锋分享了《筑基云原生：openRuyi RISC-V 虚拟化技术与生态共建》。王玉锋阐述了 openRuyi 在 RISC-V 云原生基础设施建设中关于构建高性能、安全隔离的虚拟化底座的前瞻探索，并深度分享了 Kata Containers 与 Cloud Hypervisor 在异构环境下的适配历程以及生态落地实践。此外，他还重点解析了 RISC-V KVM AIA 设置与 IMSIC 中断虚拟化的关键技术修复。此外，还将展示 Kubernetes 集成的验证与后续规划，旨在打破底层架构与上层云原生应用的技术壁垒，为 RISC-V 软硬件生态共建构筑坚实的开源虚拟化底座。

中国科学院软件研究所工程师、编译器专家王玉锋分享了《筑基云原生：openRuyi RISC-V 虚拟化技术与生态共建》。王玉锋阐述了 openRuyi 在 RISC-V 云原生基础设施建设中关于构建高性能、安全隔离的虚拟化底座的前瞻探索，并深度分享了 Kata Containers 与 Cloud Hypervisor 在异构环境下的适配历程以及生态落地实践。此外，他还重点解析了 RISC-V KVM AIA 设置与 IMSIC 中断虚拟化的关键技术修复。此外，还将展示 Kubernetes 集成的验证与后续规划，旨在打破底层架构与上层云原生应用的技术壁垒，为 RISC-V 软硬件生态共建构筑坚实的开源虚拟化底座。

XSCC 是由香山编译器团队开发的一个编译器项目，构建在开源的 LLVM 编译器基础设施之上。通过利用和扩展现有的 LLVM 技术栈，XSCC 致力于基于香山处理器打造 RISC-V 生态的高性能编译器。北京开源芯片研究院编译器团队工程师王陆霖分享了《XSCC 源于开源，注入开源》。王陆霖介绍了 XSCC 项目，并分享了团队参与开源编译器社区的实践经验。接着，与现场嘉宾们一起讨论了在 LLVM 基础上开展编译器技术研发、为香山生态开发相关基础设施与工具，以及将研发过程中产生的改进和技术成果贡献回上游开源项目的经验。

随着 RISC-V 生态向高性能领域持续拓展，定制硬件指令的潜力释放，越来越依赖于编译器对指令语义的精准映射与高效利用。中兴通讯操作系统产品部编译器专家唐玉科分享了《软件基石：RISC-V编译器生态建设实践》。唐玉科以向量绝对值计算指令为典型案例，从问题分析、IR 建模、指令模版定义、汇编代码生成等方面，完整描述一条硬件指令在 GCC 编译器中的 “从无到有”的过程，帮助开发者掌握指令扩展的核心方法，赋能 RISC-V 生态高效落地，建立软硬协同设计思维，切实赋能 RISC-V 架构在多样化场景中的高效落地与生态繁荣。

RISC-V生态的繁荣离不开编译器工具链的持续演进。玄铁团队一直在重点推进 RISC-V 后端在编译器上游社区和主流操作系统社区（如龙蜥、如意等）的功能支持和性能优化工作。会上，尚云海分享了玄铁团队围绕 RISC-V 指令集功能支持、性能优化两个方面，分析目前的支持状态以及与其他架构的差距，并分享玄铁团队在 RISC-V 编译器优化上取得的进展，如后端层面如何开启高效的指令 fusion 优化，中端层面如何在循环变换、自动向量化决策等方向上提升编译质量。

随着 RISC‑V 生态快速成熟，x86、ARM 等传统架构向 RISC‑V 平台的跨架构迁移需求激增，代码适配难、效率低、验证周期长成为产业痛点。中兴通讯 RCH 系统部生态工具专家申林分享了《面向RISC-V的跨架构代码智能迁移工具研发及性能优化实践》。为此研发专用智能迁移工具，可自动扫描解析源码，精准定位架构依赖代码，智能完成适配修改，实现高效迁移。工具集成编译校验、性能调优功能，保障程序稳定高效运行，支持 Web 端、Skill 模式部署，为 RISC‑V 生态规模化迁移提供工程化解决方案。

通过给 Go 工具链移植 RISC-V zvk 相关指令的实际例子，分享及探讨了如何在编译器领域应用 AIGC 生产力工具。

他从 RISC-V 应用迁移视角出发，围绕 x86 到 RISC-V 迁移过程中可能出现的并发语义差异，与现场嘉宾探讨了如何利用编译器 IR、事件提取与内存模型验证等方法辅助识别潜在风险，并初步讨论性能优化与正确性保持之间的工具链闭环。

介绍了阿里巴巴基于 Alibaba Dragonwell （一款免费的 OpenJDK 发行版，提供长期支持（LTS），涵盖性能增强、安全修复以及性能增强等特性），在 RISC-V 架构上的探索工作。从 2022 年开始，Alibaba Dragonwell 团队联合达摩院，参与 RISC-V 后端研发，为Dragonwell JDK 增加对 RISC-V 的支持，同时对上游 OpenJDK RISC-V 后端提供多个贡献，以及今后针对 Datacenter 的 RISC-V 芯片的展望。

沐曦股份SGLang推理引擎核心开发者杨鑫压轴分享《沐曦GPU对SGLang的深度适配与工程实践》。视频详解SGLang在沐曦GPU上的全流程适配、自研MXMACA软件栈技术亮点，以及最新模型适配进展与性能优化实战，全面展示国产算力与开源推理框架深度融合的工程成果。

SGLang社区核心维护者童心源深度解读《SGLang Roadmap：面向大模型与多模态模型的高性能开源推理系统》。视频涵盖SGLang发展历程，重点剖析PD分离、多模态与硬件支持、RL/post-training部署等关键技术创新，并分享开源社区协作进展及最新性能优化路线图，带你全面了解这一高性能开源推理系统的前沿动态。

龙蜥社区SGLang项目开发者苏峰与智算联盟委员常怀鑫联合分享《从全链路可观测到智能分析：AI性能分析范式的演进与实践》。视频回顾了SGLang Tracing可观测性建设历程，并结合实战案例，深入探讨如何借助AI Agent实现SGLang框架的智能性能优化，展现AI性能分析新范式的落地应用。

陈凯悦带来《从社区到生产：基于 SGLang HiCache + Mooncake 的深度优化与企业级落地工程实践》主题分享。视频完整还原了 HiCache 与 Mooncake 在内部推理集群的规模化部署过程，并深入解析其在企业客户环境中的落地实践，为 SGLang 从开源社区走向生产环境提供了宝贵的工程经验与优化思路。

围绕主流开源大模型，介绍在国产化硬件上的适配实践：通过低比特量化实现高效部署，结合多算子融合与单算子调优技术，全面提升端到端推理性能。

大模型推理服务的性能问题往往难以定位——请求延迟高是卡在哪个环节？队列等待、prefill 计算、还是 decode 阶段？传统监控只能提供聚合指标，无法精准定位单请求瓶颈。SGLang 请求追踪系统解决了这一痛点。通过端到端的全链路追踪，每个请求从入口到输出的完整生命周期被精确记录：队列等待耗时、prefill/decode 各阶段时长、跨节点传输延迟等关键指标一目了然。结合 OpenTelemetry 标准，可与主流可观测性平台无缝集成，实现可视化分析。这套系统让性能调优从"猜测驱动"转变为"数据驱动"，帮助开发者快速识别热点、优化资源配比，显著提升 LLM 服务的吞吐与响应质量。

分享系统化搭建超智融合算力架构的思路，实现整套集群从芯片、存储、网络到操作系统、算力调度、系统运维的深度融合，以支撑复杂科学计算、工程仿真和AI大模型训练/推理的超智融合应用场景。

LLM推理中prefill（计算密集）与decode（访存密集）资源特性迥异。现有PD分离方案割裂KV cache池、难以适应流量波动；Chunked-prefill则在SLO达标率与GPU利用率间顾此失彼。MuxWise提出GPU内PD空分复用新范式：动态划分SM，让prefill与decode在同一GPU上并行执行、共享KV cache。系统包含三项核心技术：无气泡空分复用引擎、竞争感知延迟预测器、decode优先SLO感知调度。在主流GPU和任务上实现最高3倍goodput提升，代码已合并入SGLang主分支。

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！