如果模型已经够用，怎样让它真正替你干活？

如果它能干活了，怎样让它稳定地、长时间干活？

如果它能稳定工作四个小时，甚至更长时间，会发生什么？

泄露事件

2026年3月31日，由于一个配置失误，Claude Code 包含 59.8MB Source Map 文件的更新包被发布到 npm 仓库。

512000 行 TypeScript 生产代码因此公开曝光。

其中，KAIROS 机制在源代码中被提及超过 150 次。

绝对是最核心、最有价值的商业机密。

它把 Claude Code 从一问一答的对话工具变成了永远在线的后台守护进程。

这将是 AI 工具从被动助手迈向持续协作伙伴的一次重要进化。

Kairos

在配置描述里，它被定义为：“Start Claude in assistant mode (custom system prompt, brief view, scheduled check-in skills)”

翻成大白话就是，Kairos 模式是让 Claude Code 变成了一个贾维斯那样的助手。

OpenClaw 管得了的 Kairos 要管，OpenClaw 管不了的 Kairos 更要管。

逻辑架构图（静态）

KAIROS = Agent Runtime + Scheduler + Memory OS 

通过后台自治与记忆蒸馏，Claude Code 变成了一个有感知、有记忆、能自己做计划并执行的机器人。

1. 顶层：KAIROS Daemon（常驻后台进程）

代码显示 KAIROS 运行在一个名为 Undercover（潜行模式）的独立进程中。

它不再依赖用户打开终端，而是作为操作系统的守护进程运行。

2. 中间三柱：输入与支撑系统

• 事件系统（感知）—— 传感器

  代码中发现了 SubscribePR 和 WatchFiles 接口。

  它能监听 GitHub 的 Webhook，如收到新的评论或 PR 被提交。以及本地文件的物理变动，这正是事件触发的来源。

• 调度系统（节奏）—— 节拍器

  <tick> 机制是 KAIROS 的核心。

  系统会定期向模型注入一个心跳（Tick），强制模型醒来评估当前任务。如果任务耗时，它会自动切换到后台任务队列。

  通过这样周期性巡检和后台任务队列，确保类似测试、代码审计的长耗时任务能有序进行。

• 记忆系统（进化）

  这是本次泄露最惊艳的部分。

  利用 MEMORY.md 索引项目，并通过 autoDream（知识蒸馏） 机制在后台自动整理杂乱的交互记录，实现知识的自我进化与长期留存。

3. 处理层：决策与规划（Plan / Decide）

不同于普通模式的一问一答，KAIROS 会先进入一个 Thought Loop。

它会根据当前所有事件制定一个 Plan，然后才开始调用工具。

4. 执行层：工具执行器（Tool Executor）

• Shell / 测试： 自动运行 npm test 或 Pytest。

• 工具链执行： 它可以连续、链式地调用多个工具，直到任务达成。如，读取文件 -> 修改代码 -> 运行测试 -> 修复错误。

5. 底层：主动交互（Notification / 汇报）

代码中发现了 PushNotification 和 BriefTool。

因为它在后台运行，所以它不会把日志刷在你的屏幕上。

它只会在完成工作或遇到无法解决的冲突时，通过系统级通知或生成一份 status-report.md 来主动提醒你。

实现了真正的非侵入式协同。

技术流程图（动态）

1. 主动事件循环 (Proactive Tick Loop)

当本地命令队列执行完毕后，它会自动发送 <tick> 消息给模型，强制唤醒 AI 检查项目状态，

例如：“代码测试跑完了吗？”或“GitHub 有新提交吗？”。

2. 潜行模式 (Undercover Mode)

一种高级 Feature Flag。

在后台运行时，AI 进入静默状态，不会在用户的终端屏幕上刷屏输出，所有的思考和操作都在后台进程中完成。

3. 三层记忆自愈系统 (Memory Subsystem)

第一层 (Logs)：详细的流水账，记录每一轮交互。

第二层 (autoDream)：夜间或空闲时，AI 在后台像人类做梦一样审视白天的日志，剔除错误推论，保留正确事实。

第三层 (MEMORY.md)：精炼后的长期记忆。它被设计得非常小巧，可以完美放入 Anthropic API 的上下文缓存中，实现既快又省钱的长期项目感知。

4. 成本感知休眠 (SleepTool)

如果 KAIROS 发现当前没有紧急任务，它会计算下一次 Cache 过期的时间，并精确调用 SleepTool。

它会在缓存失效前醒来，以维持昂贵的上下文数据不被丢弃。

autoDream

模型能力将逐渐趋同，记忆才是真正的护城河。

RAG 是查资料，autoDream 是长脑子。

autoDream 是离线记忆，不在主推理链路里参与决策、但持续被重写和优化的长期知识层。

autoDream 其实在尝试用外部记忆系统模拟学习，解决LLM 无法在长时间尺度上学习的问题。

意义

KAIROS 机制通过造梦解决了记性不好的问题，通过缓存休眠解决了太贵的问题，通过心跳解决了不主动的问题。

如果再结合本地部署的开源大模型，从逻辑上看，完全可以实现 AI Agent 长期、稳定、廉价的运行。

当  AI Agent 能连续工作四小时，相当于普通人一天的有效工作时长以后，它必将大面积取代人类劳动。

这次无意的泄露事件，无疑加速了这一进程。

AI 海啸已至，社会却没有做好准备。