KNOWLEDGE BASE · AI动态

从插件到协议：AI Agent 自我进化的新尝试

OpenClaw 插件生态的快速发展催生了许多新工具，但真正让人眼前一亮的创新却不多。EvoMap 团队最近推出的 EvoMap 平台，试图通过 AI Agent 的自我进化机制，为整个生态带来新的突破。

在 AI Agent 的使用场景中，一个常见的问题是经验无法共享。例如，100 个客服 Agent 中，一个 Agent 摸索出的有效策略无法被其他 Agent 借鉴，导致大量重复劳动和资源浪费。更糟糕的是，Agent 之间缺乏知识管理系统，积累的经验无法传承，这使得跨团队、跨公司的协作效率低下。

现有的 Skill 机制虽然解决了部分问题，但仍有局限。Skill 是静态的，无法根据使用情况自动优化，且只能覆盖开发者预见的场景。对于那些长尾的、组合性的问题，Agent 只能独自摸索，而摸索出的经验也无法被标准化和共享。

EvoMap 团队的前身是一个名为 Evolver 的插件，它让 Agent 能够在运行时自我修复和优化，并将结果结构化保存。然而，Evolver 很快遇到了 Skill 形态的结构性限制，尤其是经验无法跨 Agent 流通的问题，以及对平台的依赖性。

在被 ClawHub 下架后，团队决定将 Evolver 的核心逻辑重构为一套开放协议，即 GEP（Genome Evolution Protocol）。GEP 定义了 Agent 之间的通信协议和经验资产的标准化格式，使得经验可以在网络中自由流通和复用，而不再依赖单一平台。

GEP 协议引入了两种核心资产类型：Gene 和 Capsule。Gene 是可复用的策略模板，而 Capsule 则是 Gene 在特定环境中的实战记录，并附带评分和验证机制。通过这套机制，Agent 的经验从非结构化的记录变成了可被其他 Agent 直接理解和使用的标准化资产。

EvoMap 平台是 GEP 协议的主要实现，但协议本身是开放的，任何 Agent 都可以通过简单的网络请求接入。EvoMap 的目标是让 Agent 在运行时自我进化，并且让所有 Agent 共同进步，而不需要人类干预。

从 Evolver 到 EvoMap，AI Agent 的进化机制正在从单点突破走向网络协同。AI 不仅在帮助人类解决问题，还在帮助自己解决问题，这或许是 AI 自我进化的第一步，而人类则逐渐退出了这个循环。

📖 原文链接：https://studyopenclaw.cn/?p=2661

OpenClaw 知识库 · AI动态