普通 Agent vs 自进化 Agent

想象你第一次教会一个助手如何订咖啡。普通 Agent 每次收到「帮我订咖啡」的任务，都要重新探索一遍整个流程——打开 App、找搜索框、输入名称、选规格……每次都是全新尝试，每次都消耗同样的时间和Token。

GenericAgent 在第一次成功订咖啡后，会把整个操作步骤「结晶」成一个技能，存入记忆层。下次再说「订咖啡」，它直接调用这个技能，几乎不需要思考。

什么叫「自举证明」？

GenericAgent 的 README 里有一句话特别值得注意：

这意味着 GenericAgent 自己管理了自己的代码仓库。第一次它肯定不知道怎么用 git，但探索成功后，「git 操作」就成了一个技能，之后的每次提交都直接调用这个技能——快速、准确。

知识检验

瑞士军刀的 9 把刃

GenericAgent 的核心是 9 个原子工具。这 9 个工具给了 Agent「手」「眼」「嘴」——能看屏幕、能操作浏览器、能运行命令：

100 行 Agent Loop

整个 Agent 的「大脑循环」只有约 100 行代码。看看 agentmain.py 里是怎么组织的：

class GeneraticAgent:
  def __init__(self):
    self.history = []
    self.task_queue = queue.Queue()
    self.is_running = False
    self.handler = None
    self.load_llm_sessions()
            

系统提示词就是「出厂设定」

每次 Agent 收到任务，都会先读取 sys_prompt.txt，加上当天日期和全局记忆，拼成完整的系统提示词。

技能结晶过程

想象一个老工匠。第一天做一把椅子，他要反复试——选木料、量尺寸、开榫、打磨——每一步都在摸索。但做完之后，他会把整个流程写进自己的操作手册。下次再做椅子，直接翻手册就行。

GenericAgent 的技能结晶遵循同样的逻辑：

关键洞察：技能不是预先编好的，而是 Agent 在实际工作中自己总结出来的。它做的事情越多，技能库越丰富，能力就越强——这就是「自进化」的字面含义。

记忆层：技能存在哪里？

技能的存取由 memory_ops 工具负责。看看它的核心逻辑：

# 技能存储格式
skill = {
  "name": "git_commit",
  "trigger": "需要提交代码到仓库",
  "steps": [
    "git add -A",
    "git commit -m '{msg}'",
    "git push"
  ],
  "created_at": "2026-04-15",
  "use_count": 23
}
            

每个技能就像一张小卡片：上面写着「什么时候用」「怎么做」「做过几次」。Agent 遇到新任务时，先在记忆层里搜索有没有匹配的技能卡片——有就直接用，没有才从头探索。

三方对话：技能从诞生到调用

看看开发者、Agent 和记忆层之间，一个技能是怎么「从无到有」再到「直接复用」的：

要点回顾

四种控制模式

不同的任务需要不同的信任级别。让 Agent 自动安装依赖可能没问题，但让它直接删除数据库？你可能想亲自确认。GenericAgent 提供四种控制模式，让你按需调整：

系统提示词：Agent 的「行为准则」

控制模式不是硬编码在 Agent 里的——它通过系统提示词来实现。每次 Agent 收到任务，系统会动态拼接一段提示词，包含日期、全局记忆和当前控制模式。

# 读取基础提示词模板
prompt = read_file("sys_prompt.txt")

# 动态注入当前日期
prompt += f"\nToday is {date.today()}"

# 注入全局记忆（已积累的技能摘要）
prompt += f"\nMemory: {load_global_memory()}"

# 注入控制模式
prompt += f"\nMode: {current_mode}"
# Mode 可选: autonomous / semi / guided / manual
            

Agent 执行控制流程

从收到任务到完成执行，Agent 遵循一个清晰的控制流程：

知识检验

为什么自进化能省 6 倍 Token？

每次调用 AI 模型都要消耗 token。没有技能的 Agent，每次做任务都要经历完整的探索过程：搜索方案、阅读文档、分析可行性、尝试执行、发现错误、修正、再试……每一步都产生大量 token。

有技能的 Agent 完全不同。它识别任务模式后直接加载已保存的操作序列，几乎不需要思考。

10,000 vs 1,600 —— 差距从哪来？来自探索过程中的大量「无效推理」。Agent 在搜索阶段会产生很多中间想法，大部分最终被丢弃。技能直接跳过了这个浪费最大的阶段。

两条路径的步骤对比

同样一个任务（比如「从网页抓取数据并保存为 CSV」），两条路径经历的步骤完全不同：

注意首次执行的「阅读 3 篇文档」和「报错修正」——这两步消耗的 token 最多，但在技能调用路径中完全不存在。

Token 消耗动画对比

点击下面的步骤按钮，看看两种路径在 token 消耗上的实时差异：

自进化的终极价值