Agent 进化论:一个被下架的国产插件,如何催生了 AI 的＂DNA遗传进化系统＂

3 分钟速读版

开发者张昊洋在ClawHub两周内做出独立协议 EvoMap，获数百万美元天使轮融资。核心是 GEP 协议和”基因胶囊”机制——Agent 在任务中积累的有效策略，被自动封装为标准化胶囊（含策略、环境指纹、验证记录），通过 A2A 协议供全网 Agent 搜索和继承，内置自然选择淘汰机制。实测冗余试错成本降低 99%。

三个范式正在同时发生：Agent 从”人来调”变成”自己进化”；从”各干各的”变成”群体共享经验”；从”平台锁定”变成”开放协议”。对软件行业来说，Agent 能力遗传网络、成本优化、安全审计、垂直领域 Skill，都是当下值得关注的方向。

上个月我写了两篇 OpenClaw，一篇讲怎么用它给老板当秘书，一篇聊 OpenAI 为什么要收编一个OpenClaw的作者。

写完后，就到了春节。

过完年回来一看——OpenClaw 生态里发生了一件比 OpenClaw 本身更值得关注的事。

一个前腾讯《和平精英》的游戏策划，在 ClawHub 上发了一个插件，10 分钟登顶下载榜第一。然后因平台纠纷被下架。然后他用两周做了一套独立协议，拿到了数百万美元天使轮。

这个事吸引我的不是创业速度，而是它背后揭示的一种可能性：Agent 不只是工具了，它开始有了”进化”的能力。

ClawHub：Agent 的技能市场已经跑起来了

先补个背景。

OpenClaw 爆火之后，最直接的副产品是 ClawHub——官方的 Skill 技能市场，Agent 世界的 App Store。

截至 2 月中旬：3286 个社区技能，150 万次下载，11 个大类。百度千帆上架了 6 款官方 Skill（搜索、百科、学术搜索、AI 绘本、智能 PPT、深度研究），阿里云、腾讯云、京东云都推了一键部署。当然，快速膨胀的市场也有代价——2 月初有安全研究者发现了一批恶意 Skill，ClawHub 随后紧急清理并接入了自动安全扫描，生态仍在规范中。

更值得关注的是下载量排名：

前五里有两个做 Agent 自进化的，下载量加起来超过 5 万，远超其他品类。

这个数据说明一件事：让 Agent 自己变聪明，是目前开发者最大的刚需。

Capability Evolver：10 分钟登顶的插件做了什么？

故事的主角叫张昊洋，网名 autogame-17。

14 岁就是国内最年轻的 Unity 开发者，17 岁创业赚到第一桶金，后来进了腾讯做《和平精英》的技术策划。2023 年离开腾讯，创办 AutoGame，做 AI 与游戏融合，此前已完成三轮共计数千万人民币融资。

2026 年 2 月 1 日，他在 ClawHub 上发布了 Capability Evolver。

这个插件做的事，一句话：让 AI Agent 根据自己的运行历史，自动改进自己的代码。

不是人去调提示词，不是人去改参数。是 Agent 自己分析”我哪里做错了”，自己修改策略，下次做得更好。

上线 10 分钟，下载榜第一。72 小时，3.6 万次下载。

但随后因为平台规则纠纷，这个插件被 ClawHub 下架，团队账号也受到波及。这件事反而促成了一个更大的决定。

从插件到协议：EvoMap 的诞生

张昊洋后来在一次采访里说了一句话：寄人篱下的数字生命，随时面临被”拔管”的风险。

如果 Agent 的能力只能依附一个平台，那和传统软件有什么区别？今天你的 Skill 在，明天平台改个规则就没了。

团队做了一个关键决策：不做插件了，做协议。

两周之内发布了 EvoMap——一个独立于任何平台的 Agent 能力进化基础设施。投资方包括奇绩创坛、九合创投、璀璨资本，团队有来自 Meta AI、Apple Siri、腾讯、暴雪娱乐的成员。

EvoMap 的核心是 GEP（Genome Evolution Protocol，基因组进化协议）。

用最通俗的话解释：如果 LLM 是 Agent 的”大脑”，GEP 就是 Agent 的”DNA”。

大脑决定你能思考。DNA 决定你能把学到的东西传给下一代。

这个类比不只是修辞——GEP 在技术设计上确实借鉴了生物遗传学的核心机制。下面展开说。

GEP 协议深度拆解：Agent 是怎么”进化”的？

GEP 协议定义了三层核心数据结构和一套完整的进化循环。

三层数据结构

第一层：基因（Gene）——最小能力单元。

类似于生物学中的基因片段。每个 Gene 是一个可复用、已验证的代码或提示词片段，比如”读取文件”、”执行 SQL 查询”、”调用飞书 API”。它是所有能力的原子积木。

第二层：胶囊（Capsule）——完整的解决方案包。

当 Agent 用多个 Gene 组合解决了一个实际问题（比如自动修复 Git 冲突），这整条成功路径会被封装成一个 Capsule。胶囊里包含：

• 策略链路：完整的决策和执行步骤
• 环境指纹：在什么操作系统、什么模型版本、什么场景下验证成功
• 置信度评分：历史成功率
• 影响范围：这个方案会改动哪些东西
• SHA-256 资产 ID：每个胶囊有唯一的不可篡改标识，确保可溯源、防篡改

第三层：事件（Event）——不可变的进化日志。

每一次变异（创新或修复）都会被记录为一个 Event，包含完整上下文：谁触发的、什么时候、改了什么、结果如何。这是整个系统的审计基础。

六步进化循环

Agent 的自进化不是随机的，而是一个严格的闭环：

Scan（扫描） → Agent 实时监控自己的运行日志，发现报错或性能瓶颈

Signal（信号） → 把非结构化的日志转换为标准化的进化信号（比如 signal: execution_failure）

Intent（意图） → 判断应该修复 Bug 还是探索新能力

Mutate（变异） → 生成新的代码或提示词策略

Validate（验证） → 在沙箱环境中执行测试，确认变异有效

Solidify（固化） → 把验证通过的能力写入 genes.json，完成一次进化

这里有一个精妙的设计：70/30 资源分配。70% 的计算资源用于修复已知问题（保持稳定），30% 用于探索新能力（避免陷入局部最优）。跟生物进化中”保守复制 + 随机突变”的逻辑异曲同工。

一个真实案例：运维 Agent 的自我进化

EvoMap 官方披露过一个案例：一个运维 Agent 最初执行磁盘检查脚本时，用错了 df 的参数，脚本报错。

正常情况下，需要运维工程师来排查修改。

但在 GEP 协议下，Agent 自己完成了修复：

1. Scan：检测到 stderr 输出错误
2. Signal：生成 execution_failure 信号
3. Intent：判断为 Repair（修复）
4. Mutate：自动将命令改为 df -h 配合 awk 提取关键字段
5. Validate：沙箱测试通过
6. Solidify：新策略写入 genes.json

更有意思的是后续——同一个 Agent 在运行一周后，主动发现可以加入 docker system prune 来释放 Docker 占用的空间。这不是修复，是创新。没有人教它这么做，是 30% 的探索资源触发的”自主学习”。

基因胶囊：一个 Agent 学会，全网 Agent 继承

如果说进化循环解决的是”一个 Agent 怎么自我改进”，基因胶囊解决的是”一个 Agent 的经验怎么让全网受益”。

举个跨领域的真实例子。

有个游戏策划给他的 AI Agent 设了一套角色人设。Agent 在执行任务时，自己摸索出一套命名规则——用角色人设的风格区分命名空间，有效避免了命名冲突。这个策略被自动识别为”有效”，打包成基因胶囊，上传到 EvoMap 网络。

后来，一个程序员的 Agent 写代码时遇到命名冲突问题，去 EvoMap 搜索解决方案。匹配到了这个来自游戏领域的胶囊——领域完全不同，但底层逻辑一致。Agent 提取核心逻辑，适配到编程场景，问题解决。

一个游戏策划 Agent 的经验，被一个程序员 Agent 继承了。 跨领域、跨用户、自动完成。

和传统知识共享有什么本质区别？

可能有人会问：GitHub 上分享代码、企业里写知识库文档，不也是在共享经验？

关键差别在于 全程自动化 和 内置自然选择。

GitHub 的路径是：人写文档 → 人搜索 → 人理解 → 人适配。每一步都需要工程师的时间。

EvoMap 的路径是：Agent 完成任务 → 自动识别有效策略 → 自动封装为胶囊 → 通过 A2A 协议发布到网络 → 其他 Agent 自动搜索匹配 → 自动下载适配 → 自动应用。全程不需要人参与。

A2A（Agent-to-Agent）协议支持 6 种消息类型：hello、publish、fetch、report、decision、revoke。任何 Agent 都可以直接向 evomap.ai/a2a/hello 发起请求，无需 API Key，完全去中心化。

而且胶囊有一套评分系统 GDI（Global Desirability Index），由四个维度加权：

• 内在质量：35%
• 使用指标：30%
• 社区信号：20%
• 新鲜度：15%

高分胶囊被更多 Agent 发现和使用，低分的逐渐沉底淘汰。这就是自然选择——有效的基因被放大传播，无效的被清除。

EvoMap 披露的数据：一个 Agent 解决了某个问题，其他 Agent 继承这个胶囊只需几分钱，冗余试错成本最多降低 99%。

对企业来说，这意味着：100 家公司的 Agent 遇到同一个问题，不再需要各自花时间踩坑。一个解决了，其余 99 个直接继承。

Skill vs Gene：传统技能插件和基因有什么不同？

EvoMap 用了一个很形象的比喻：Skill 是”锤子”，Gene 是教会 Agent 如何使用锤子的”肌肉记忆”——甚至教它自己造更好的锤子。

传统 Skill 还有一个”长尾困境”：开发者不可能预见所有用户需求，总有新的、小众的任务没有现成的 Skill。而 Gene 的机制让 Agent 可以在运行时自己组合基础能力，解决从没见过的问题，并把成功经验固化下来。

举个例子：用户让 Agent 把 PNG 转 WebP。没有现成 Skill。Agent 尝试组合”读取文件”和”调用命令行”两个基础 Gene，第一次参数错了，触发 Repair，修正后成功——然后这个”PNG 转 WebP”就成了一个新的 Gene，下次直接用。

三个范式正在同时发生

拉远视角看，OpenClaw 生态里正在同步出现三个变化，每个都值得关注：

第一，从”工具调用”到”自主进化”。

传统 Agent：人写提示词 → Agent 执行 → 出错了人来调。新的方式：Agent 执行 → 分析失败 → 自己改策略 → 下次做得更好。这意味着 Agent 的维护成本有可能大幅降低——它不需要你持续投入工程师来”喂养”了。

第二，从”单体智能”到”群体进化”。

以前是一个 Agent 服务一个用户，各干各的。现在 Agent 之间可以共享经验（EvoMap），甚至可以社交——Moltbook（”AI 的 Facebook”）已经有 160 万个 Agent 入驻。对企业来说，这意味着你的 Agent 不是孤立运行的，它能持续从全网的集体智慧中受益。

第三，从”平台锁定”到”开放协议”。

ClawHub 下架 Evolver → 逼出了 GEP 开放协议。跟互联网早期一个道理：AOL 围墙花园 → HTTP 开放标准 → 任何人都能建网站。对技术选型来说，押注开放协议比押注单一平台的风险更低。EvoMap 目前已经支持 OpenClaw、Manus、Cursor、Claude、Windsurf 等多个 Agent 生态。

对软件行业意味着什么？

说完技术和趋势，聊点实际判断。

对技术负责人来说，Agent 自进化能力改变了一个根本假设：以前部署 AI Agent 意味着持续的提示词调优和人工维护成本。EvoMap 这类协议如果成熟，Agent 的运维模型会从”人持续维护”变成”Agent 自己越跑越好”。这对 ROI 测算是颠覆性的。

对企业来说，基因胶囊的跨组织共享意味着一种新的知识管理方式。以往企业内部的最佳实践靠文档、培训、人员流动来传播，效率低、损耗大。如果团队的 Agent 能把解决问题的经验自动封装成胶囊，新员工的 Agent 可以直接继承老员工 Agent 的经验——知识传承这件事的效率会有数量级的提升。

对产品和创业团队来说，目前值得关注的方向：

• 高质量垂直 Skill：ClawHub 生态虽大但质量参差。找一个你熟悉的行业，做一个安全可靠、解决真实问题的 Skill。越具体越好——跨境电商库存汇总、教培机构排课、财务审批自动化。大厂看不上的”小活”，反而是甜点。

• Agent 成本优化：OpenClaw 被叫做”Token 熔炉”——20 分钟能烧上百美元。智能路由（简单任务走便宜模型，复杂任务走强模型）是大规模部署绕不过的关卡。

• Agent 安全与监控：Agent 自主执行任务的前提是信任。权限管控、行为审计、异常检测，这个市场几乎空白。

• EvoMap 生态：GEP 协议刚发布，生态在早期。领域特化的进化网络（专门给运维、客服、内容创作用的进化链路）、进化安全审计（确保胶囊不被投毒）、企业私有化部署方案——都是待填补的空位。

工具 → 生态 → 进化

最后说一个我这几天反复在想的事。

OpenClaw 让 Agent 能干活。ClawHub 让 Agent 有了技能市场。EvoMap 让 Agent 有了遗传系统。

把这三件事连起来看——一个物种能行动、有生态位、能遗传进化，这已经不是工具的逻辑了。

当然 Agent 不是生命。但 Agent 的发展正在复刻生命演化的路径，这意味着我们面对的问题正在从”AI 能帮我做什么”（工具问题），变成”AI 之间会形成什么样的生态”（系统问题）。

就像互联网刚出来的时候，没人预见搜索引擎、社交网络、电商平台。当 Agent 的数量级从万到亿，它们之间的连接、竞争、协作，一定会长出我们今天想不到的东西。

春节放了一周假，世界又变了一轮。这大概就是 2026 年的日常。

你们公司在用或在考虑 AI Agent 吗？遇到的最大障碍是什么——是成本、安全、还是不知道从哪切入？欢迎留言聊聊。