Q00/ouroboros

📌 【開源專案】從 Prompting 轉向 Specifying：Ouroboros 試圖將 AI 編碼流程「作業系統化」

TL;DR：Ouroboros 提供一個本地優先的 Runtime 層，將不確定的 AI 編碼過程轉化為可重現、可觀察且受政策約束的執行合約。

面對 AI 編碼助手時，大多數人的習慣是不斷嘗試不同的 Prompt（提示詞），直到 AI 吐出正確的程式碼。但這種隨機性導致開發過程難以預測且無法重現。Ouroboros 提出了一個反直覺的觀點：停止 Prompting，開始 Specifying（規範化）。

🤔 將 AI 編碼從「隨機嘗試」轉向「執行合約」

Ouroboros 定位為一個 Agent OS，旨在將非決定性的 AI Agent 工作流轉化為可重現（Replayable）與可觀察（Observable）的過程。它不再依賴隨機的提示詞，而是匯入一套結構化的「規範優先（Specification-first）」工作流，其執行路徑為： 訪談 (Interview) $\rightarrow$ 結晶 (Crystallize) $\rightarrow$ 執行 (Execute) $\rightarrow$ 評估 (Evaluate) $\rightarrow$ 演進 (Evolve)。

🧩 分層設計：像作業系統一樣構建 AI 工作流

為了實現上述目標，Ouroboros 將其技術棧拆分為三個層級，分別由三個不同的儲存庫負責：

• OS 層 (Q00/ouroboros)：核心底層。提供 Seed、Ledger、Runtime、MCP 以及安全邊界等原語（Primitives），定義了 ooo 指令與規範優先的工程流程。
• Apps 層 (Q00/ouroboros-plugins)：領域工作流。定義使用者層級的外掛合約，將核心原語組合成可安裝的領域程式（例如：PR 操作、Jira 同步、事故處理或版本釋出），並包含外掛清單、許可權範圍與稽核追蹤。
• Shell 層 (Q00/ourocode)：終端機客戶端。提供原生 TUI 介面，讓使用者能在同一個會話中跨多個 CLI（如 Claude、Codex、Gemini 等）執行 ooo 工作流，並提供決策選擇器、MCP 面板狀態與指令探索功能。

💡 跨模型整合的執行能力

Ouroboros 並非單一模型，而是一個執行層，能夠將模糊的想法轉化為經過驗證且可運作的程式碼庫，並支援多種 AI 工具的整合，包括 Claude Code、Codex CLI、OpenCode、Hermes、Gemini、Kiro、Copilot 與 Pi。

🎯 實務啟示

對於追求工程嚴謹性的開發者而言，Ouroboros 的價值在於將 AI 的輸出從「隨機生成的結果」提升到「可追蹤的執行合約」。如果你的團隊正受困於 AI 生成結果不穩定，或是難以紀錄 AI 做出某項修改的決策路徑，這種「規範優先」的架構提供了一個將 AI 編碼標準化、模組化的實作方向。

🔗 來源

• 標題：Q00/ouroboros
• 作者／機構：Q00
• 連結：https://github.com/Q00/ouroboros

#AI #AgentOS #OpenSource #AICoding #SoftwareEngineering #LLM #DeveloperTools #SpecificationFirst #Runtime #WorkflowAutomation