许愿式编程
无需研究提示词或配置 Skill，也无需懂代码。你给出方向和目标；在可执行且已获授权的范围内，Slai 负责理解、规划、调用工具，并在需要时调度你授权的设备节点推进完成。
本地原生 Agent · 云端多环境协作 Runtime
Slai
你提出想完成的目标，Slai 协作受控节点把它落实到真实世界。
Slai 起步于 Windows 消费级电脑上的本地原生 Agent 实例，支持 Windows、Linux、macOS 与 Android 多平台部署。云端 Slai 是面向多环境协作的 Agent Runtime，支持多租户运行与受控的跨平台远程执行：它在云端理解任务、规划步骤，并通过你授权的电脑、手机和其他受控节点执行、验证和接续复杂工作。单次对话可以维持几个小时甚至几天的长任务；一个项目也可以持续维护几天甚至几个月。把一次性对话，变成可以持续推进的工作主线。不用每次重新解释背景、偏好和已经做过的事，用极简的语言即可完成复杂任务。Slai 面向个人，作为长期私人 AI 助手。
受控协作
Windows、Linux、macOS 与 Android 等设备可按账号安全接入；云端控制平面按授权路由任务，而不是把设备直接暴露给 Agent。
结果可核验
保留任务状态、执行结果和证据，让复杂工作可以检查、暂停、恢复并继续。
一个账号，跨设备接续
Slai 以账号保持对话、任务和记忆的连续性。本地原生实例可部署在 Windows、Linux、macOS 与 Android 等环境；这些设备按授权接入后，成为不同能力的执行节点。你可以在不同设备上继续同一段对话，让长任务接续推进。
它是什么
Slai 由在 Windows 消费级电脑上开发的本地原生 Agent 实例，与面向多环境协作的云端 Agent Runtime 共同构成。它把模型能力、工具与用户授权的受控节点连接起来，在多租户云端运行和跨平台执行之间保持任务、证据与权限边界的连续性。
适合什么
适合网页操作、文件处理、设备协作、自动化工作流、个人实验和长期任务。你描述目标，Slai 负责规划和推进；涉及不同平台或你的设备时，操作通过账号授权、受控节点和可追踪的任务状态完成。
公开评测、运行记录与工程贡献
让 Agent 在真实任务中交付可核验的结果
以下展示 Slai 在公开评测、任务运行与开源协作中的代表性记录。提交、自动化检查、公开运行记录、上游合并与榜单状态分别以对应项目页面为准。Slai 已累计完成或推进百余项公开工程、评测与开源协作工作。
Terminal-Bench 2.1：89 个任务的 K=5 公开提交记录GPT-5.5 xhigh + Slai Agent Runtime 的公开提交材料覆盖 89 个任务 × K=5，共 445 次试验；提交记录为 445/445 次试验成功，对应 100.00% accuracy。官方自动化检查已通过。由于官方目前暂停独立开发者的上榜渠道，该提交尚未进入官方排行榜；这是一条公开提交与自动化校验记录，而非官方榜单名次。查看公开提交记录 →
Terminal-Bench：公开 K=5 运行记录Harbor Hub 公开保留 Slai 的逐任务 K=5 运行证据：包括 Terminal-Bench 2.1 的 89 个任务全量记录，以及在 Terminal-Bench 3.0 完成的 60 余项任务记录。Terminal-Bench 4.0 在 Terminal-Bench 3.0 测试集基础上进行了删减，属于同一套测试集。Terminal-Bench 官方当前未开放独立开发者的排行榜提交与合并渠道。每项记录可查看任务、试验次数、错误数与启动时间。查看公开运行记录 →
SWE-bench-Live：修复 pytest XFAIL 评测语义Slai Agent Runtime 在评测运行中发现 pytest XFAIL 被错误归类为失败；修复 PR #54 已合并到 Microsoft/SWE-bench-Live，恢复预期失败结果的正确判定。查看已合并修复 →
GitHub：公开评测提交与工程协作Slai 的 GitHub 页面集中展示社区贡献、评测提交、已合并修复和仍在 review 的工程协作。公开记录覆盖百余项工作，包括多个微软仓库的开源贡献；每项状态以对应仓库页面为准。这些记录展示了由人给出大方向、Slai Agent 自主推进并以公开结果核验的闭环能力。查看 GitHub 公开记录 →
许愿式编程
把“想做什么”变成可验证的执行闭环
许愿式编程，不是跳过现实。开发者不必从函数、框架和命令开始；只要说明大概想法、目标和边界，Slai 就会在真实工具反馈中持续推进。
- 理解与设计理解目标、设计方案、编写与修改代码。
- 执行与验证运行、测试、修复，并完成跨平台部署和运维。
- 交付与接续提交 PR，跟进 CI、评审与后续问题，直到满足明确验收条件。
用户负责提出方向、做关键选择、定义不能越过的边界；Slai 负责把工作持续推进到真实结果，而不是停在一段“看起来正确”的建议上。它不依赖一次生成就完全正确：每一步都可以读取真实文件、调用工具、接收错误反馈、修正方向，再继续执行。
在连续执行、非冷启动阶段，Slai 的输入 Token 缓存命中率可维持约 95–99%。 实际数值会随模型服务与任务结构变化；这是请求效率指标，不代表任务准确率或成功率。
经验证的稳定方法、验收标准与工具经验可以沉淀为可复用能力，帮助下一轮任务更稳地推进。在用户授权的范围内，Slai 会逐渐适配你认可的工作方式。这构成工程意义上的递归演化：能力来自真实执行、实际修改与验收反馈，而不是修改所接入模型的权重。开放探索、审美和产品判断等主观任务，仍依托旗舰模型的推理能力；而具有代码、测试、日志、接口与真实环境反馈的工程任务，对模型性能的要求相对更低。
