赛题题目：面向多智能体的操作系统级执行时（Agent Runtime）（高校赛题）

赛题说明：

当前基于大语言模型（LLM）的智能体（Agent）系统正从“单Agent”快速演进到“多Agent协同”，广泛应用于自动编程、复杂任务规划、软件工程等场景。然而，现有多Agent系统大多停留在应用层框架（如Workflow/Graph调度），缺乏操作系统级的统一执行时（Runtime）支持，导致如下关键问题： 1）多Agent执行缺乏统一调度，易出现资源竞争与执行低效 2）上下文（Context/KV Cache）频繁冗余拷贝，系统开销大 3）模型调用、工具调用与系统资源之间缺乏统一抽象 4）复杂任务执行过程中缺乏“系统级可观测性与控制能力” 本赛题要求参赛者设计并实现一个面向多Agent系统的操作系统级执行时（Agent Runtime），将Agent提升为“操作系统一等公民”，实现对Agent任务的统一建模、调度与资源管理，并探索“AI Native OS”的关键机制。

赛题要求：

本赛题要求参赛队伍从操作系统视角出发，围绕多智能体系统的执行与管理问题，设计并实现一个具备统一调度、资源管理与上下文优化能力的Agent运行时系统。参赛作品不仅需要具备完整功能，还应在关键机制上体现创新性，并通过实际应用场景验证系统有效性与性能优势。

• 基于 openEuler、openKylin、OpenHarmony 等至少一个国内主流开源操作系统开发，鼓励在更多Linux发行版上编译、运行和测试。
• 实现面向多Agent任务的调度机制，支持任务依赖、动态生成任务及资源感知调度策略；
• 设计统一的Agent执行抽象模型，明确其生命周期管理、状态转换及与操作系统资源之间的关系；
• 设计Agent执行容错机制，通过隔离单体Agent故障，避免单点执行异常导致的多智能体系统性级联故障；
• 设计并实现高效的上下文管理机制，包括上下文复用、压缩及隔离策略，降低多Agent执行开销；
• 构建复杂多Agent应用场景，验证系统在真实任务中的可用性与稳定性；
• 实现Agent之间的高效通信机制。

  评分细则（明确评审角度、标准和分值范围）：

• 系统设计与机制创新（30%）：是否提出具有前瞻性的Agent系统抽象及关键机制创新；
• 功能完整性与实现深度（25%）：核心模块是否完整实现，关键机制是否深入落地；
• 性能优化效果（20%）：在多Agent复杂任务中是否体现明显性能提升；
• 工程实现质量（15%）：系统架构、代码质量及可扩展性；
• 实验与分析质量（10%）：实验设计是否严谨，分析是否深入全面。

  赛题联系人：

  吴老师 wuyanxia@hrbeu.edu.cn

  参考资料：

• AIOS: LLM Agent Operating System
• LangGraph / AutoGen / CrewAI 等多Agent框架
• Linux调度器（CFS）与容器资源管理机制