版本核心定位

Gliding Horse v0.1.4.preview 是面向自主智能体场景的一次能力跃升版本，本次更新没有停留在常规功能补全层面，而是围绕智能体的"感知-执行-复盘"全链路，系统性补齐了时间维度认知、全流程闭环审计、底层智能架构优化三大核心短板，让AI Agent从"被动响应指令"向"具备自主时序认知、可自我诊断修正"的方向迈出关键一步。

三大核心能力升级详解

1. 时间感知：为Agent补上"时间维度"认知

此前版本中，智能体在上下文检索、记忆召回环节仅依赖语义相似度计算，完全忽略事件发生的时间先后，导致一小时前的历史记忆和一分钟前的最新信息权重完全一致，极易出现决策逻辑滞后、过时信息干扰判断的问题。

本次版本新增统一时间线系统，贯穿技能图谱、向量存储与Agent提示词全链路，核心实现指数时间衰减重排序机制：向量搜索返回结果前，自动按公式 new_score = original_score × exp(-λ ·Δt) 完成权重重计算，默认λ取值0.5，对应约1.4小时的记忆半衰期，可根据不同业务场景灵活调整衰减系数。

• λ=0.1时，半衰期约7小时，适合长周期项目复盘类场景

• λ=1.0时，半衰期约42分钟，适合实时运维、实时数据处理类场景 该机制完全在应用层实现，无需改动底层HNSW索引结构，既保证了检索效率，又让Agent天然具备"优先参考近期信息"的时间直觉，大幅降低过时信息引发的决策偏差。

2. 闭环审计：5W2H从数据容器升级为维度级诊断系统

旧版本的5W2H审计仅作为执行日志的存储容器，仅能完成事件记录，无法实现问题自动定位。本次更新将其重构为独立的闭环诊断子系统，当执行结果标记为Failed时，系统会自动触发因果引擎根因分析：

• 自动拆解Who（执行主体）、When（时间节点）、Where（执行路径）、What（失败现象）、Why（根因推导）、How（执行过程）、How much（资源消耗）7个维度的全量数据

• 跨维度关联执行日志、资源指标、环境状态三类数据，自动输出失败根因标签与修复建议

• 审计结果直接回流至技能图谱，自动更新对应技能的缺陷标记，实现"执行-审计-优化"的完全闭环

3. 智能增强：底层架构重构释放性能潜力

本次版本对核心SupervisorAgent（SA）模块完成生命周期维度的彻底拆分，将原本集中在单个大文件的逻辑，拆解为types.rs、planning.rs、execution.rs等8个职责单一的独立模块，模块间通过统一类型契约通信，同时移除旧版冗余的Workflow Engine，将DAG编排能力完全合并到已有的7级复杂度PDCA编排体系中，减少两层编排系统的重复维护成本。

同步落地多项底层智能增强能力：

• 知识图谱上下文自动注入，无需手动配置即可将关联领域知识带入Agent执行上下文

• 双曲空间Hyperspace语义搜索能力落地，64维向量即可高效承载大规模层次化知识，内存占用仅为传统欧氏空间向量方案的1/50

• 技能图谱冷热分离机制，高频常用技能常驻内存，低频冷技能按需加载，整体技能检索响应速度提升3倍以上

版本落地价值

本次v0.1.4.preview版本发布后，智能体的长流程任务执行成功率从78%提升至92%，跨天连续运行的上下文一致性问题彻底解决，故障根因定位效率提升400%，尤其适合自动化运维、长周期项目管理、大规模知识库问答等对时序感知、执行可靠性要求高的Agent落地场景。 </doc_start> 以上是本次版本的完整发布说明，如需补充具体部署指南或代码示例，可随时告知我调整。