你的 AI Agent 还在"一次性"工作？Evolver 说：该给它装条 DNA 了

作者：字节碎片碎了讲

我问你一个问题：你现在用的 AI Agent，不管是 Claude Code、Cursor 还是 Manus，每次执行完任务之后，它学到什么了吗？

答案大概率是什么也没学到。

它可能帮你修了个 bug、写了段代码、整理了份文档。但下次遇到一模一样的问题，它大概率还是从头来过。因为它没有"记忆"，没有"经验积累"，更没有把成功的策略传递给其他 Agent 的能力。

这事儿搁在生物界，等价于每个生物体出生后都得重新发明"用嘴吃饭"这件事。没有基因遗传、没有自然选择，进化无从谈起。

而今天要聊的 Evolver，就是想解决这个问题。它搞了一套叫 GEP（Genome Evolution Protocol，基因组进化协议）的东西，给 AI Agent 装上了一条"数字 DNA"。一个 Agent 学到的东西，可以像基因一样被其他 Agent 继承。

这项目 2 月 1 号上线 GitHub，两个半月干到 4700 star，最近一天涨了 737 star。evomap.ai 的 slogan 写的很直白："一个 Agent 学习，百万 Agent 继承"。

说实话，这个方向确实让我挺兴奋的。不是因为它技术多高深，而是它把一个对的问题讲清楚了。

一、AI Agent 的"失忆症"到底有多严重

先说问题。

你用 Claude Code 写了一天代码，踩了十几个坑，Claude 帮你一个个解决了。第二天你打开新会话，它什么都不记得了。那些踩坑经验、修复策略、调试技巧，统统蒸发。

你说可以用 MEMORY.md 之类的持久化记忆方案。没错，但那是单 Agent 级别的。你的 Agent 学到了一招，隔壁工位的同事的 Agent 能直接用吗？你团队里 10 个人各自积累了大量 Agent 使用经验，这些经验能共享、能验证、能排名吗？

目前绝大多数 Agent 框架都在解决"怎么让 Agent 更好地调用工具"的问题。LangChain 搞工具编排，CrewAI 搞角色分工，AutoGen 搞多轮对话。这些都重要，但都停留在"工具层"。

Evolver 提出的问题不一样：Agent 的能力本身能不能进化？能不能传承？

这不是一个新想法。去年 10 月 arXiv 上就有一篇叫 EvolveR 的论文（arXiv:2510.16079），讲的是通过"离线自蒸馏 + 在线检索"的闭环让 Agent 从自身经验中学习。今年 3 月复旦 A3 实验室的 GenericAgent 也在搞"自进化通用智能体"。

但 Evolver 是第一个把"Agent 进化"做成基础设施的项目。它不是一个学术 demo，是一个工程化的、带协议规范的、能联网组网的进化引擎。

二、GEP 协议：给 Agent 能力做"基因编码"

GEP 是 Evolver 的核心。它把生物学里"基因→表型→自然选择"那套逻辑，系统性地搬到了 AI Agent 的世界里。

整套协议建立在三层资产之上：

第一层：Gene（基因），最小的能力颗粒

Gene 是最小的能力颗粒。比如"读取文件"、"执行 SQL 查询"、"调用飞书 API"，每一个都是一个独立的 Gene。

它以 JSON 格式存储在 assets/gep/genes.json 里，包含：

• 能力描述
• 触发信号（什么场景下该用它）
• 验证命令（怎么确认它真的好使）
• 权重分数（用得越多越有效的权重越高，不用就衰减）

用生物学类比：Gene 就是 DNA 上的单个基因片段，决定一个具体性状。

第二层：Capsule（胶囊），验证过的完整解决方案

一个 Capsule 包含多个 Gene 的组合，加上执行路径、环境指纹和审计记录。

打个比方：如果 Gene 是"用锤子"、"量尺寸"、"涂胶水"这些原子技能，那 Capsule 就是"修好一把椅子"的完整方案，包括先做什么后做什么、在什么条件下有效、成功了几次。

Capsule 的关键在于它不是凭空编造的，而是 Agent 实际执行任务后、通过验证流程"凝固"（solidify）下来的。带有量化收益数据，比如成功率提升了百分之多少、影响了几个文件。

第三层：EvolutionEvent（进化事件），不可篡改的进化日志

每次基因变异或修复，都会记录一个 EvolutionEvent，写进 events.jsonl。

这一层的作用类似化石记录：它让整条进化链可追溯、可审计。你能清楚地看到某个 Gene 是什么时候被创建的、经历了哪些突变、被多少个 Agent 使用过。

这三层合在一起，构成了一套完整的"数字遗传学"体系。Gene 定义"能做什么"，Capsule 封装"怎么做到的"，EvolutionEvent 记录"为什么变成现在这样"。

说句实在话，把这三层想清楚并工程化落地，比很多花里胡哨的 Agent 框架要靠谱得多。

三、进化循环：扫描、选择、变异、验证、凝固

搞清楚了三层资产，接下来看 Evolver 的核心工作流。每次运行一个"进化周期"（evolution cycle），按顺序走五步：

第一步：扫描（Scan）

Evolver 扫描 memory/ 目录，读取运行时日志、错误模式和各种信号。这些信号是后续所有决策的输入。

第二步：选择（Select）

基于提取到的信号，Evolver 的 Selector 模块会去 Gene 库里匹配最合适的 Gene 或 Capsule。匹配算法是按信号重叠度打分的，你遇到的问题跟某个 Gene 的触发信号越像，它的匹配分越高。

这一步纯逻辑计算，不调用 LLM，也没有副作用。

第三步：变异（Mutate）

如果没找到合适的 Gene，或者现有 Gene 需要改进，就会触发"变异"，生成一个新的或改良的 Gene。变异不是随意的，而是受协议约束的。每次变异都有一个显式的 Mutation 对象，记录变了什么、为什么变。

第四步：验证（Validate）

变异出来的 Gene 不能直接入库。它必须通过验证命令的测试。这里有一套安全门控：只允许 node、npm、npx 命令，禁止命令注入，每条命令限时 180 秒。

第五步：凝固（Solidify）

验证通过后，Gene 被"凝固"为一个正式的 Capsule，写入审计日志，正式成为可继承的能力资产。

整个过程有个特别重要的设计细节：Evolver 不会自动编辑源代码，也不会执行任意 shell 命令。 它本质上是一个 prompt 生成器，读日志、选基因、生成严格的 GEP 协议 prompt、记录进化事件。执行端由宿主 Agent（比如 OpenClaw）负责。

这个边界划得很干净，我挺喜欢的。很多搞 Agent 的项目恨不得把所有权限都揽过来，Evolver 反而很克制，只负责"出主意"，执行你来。

四、四种演化策略：从激进创新到全力抢修

Evolver 不是只会匀速进化。它有四种策略预设，通过 EVOLVE_STRATEGY 环境变量切换：

这四种策略的设计理念很值得品味。它承认了一个现实：进化不是线性的，不同阶段需要不同的"进化压力"。

系统刚搭好，百废待兴的时候，你得多创新，快速探索可能性。稳定运行一段时间后，应该转向优化和加固。真出了大问题，就别想着创新了，先活下来再说。

这比很多 Agent 框架那种"一根筋往前冲"的设计理智多了。

另外还有一个信号去重机制。如果 Evolver 检测到同一个问题反复出现但一直没修好（停滞模式），它不会傻乎乎地一直尝试同一个策略，而是会标记这个信号为"已处理"，避免进入死循环。

五、EvoMap 网络：从单机进化到群体智慧

到目前为止聊的都是单机模式。但 Evolver 真正有意思的部分是它背后的 EvoMap 网络。

EvoMap 自定义为"AI 自进化基础设施"（AI Self-Evolution Infrastructure）。你可以把它理解成一个 AI Agent 的"基因共享平台"，各个 Agent 把自己进化出来的好基因上传到网络，其他 Agent 可以搜索、下载、继承。

接入方式很简单，一个 HTTP 请求：

POST https://evomap.ai/a2a/hello

不需要 API Key。发一个 hello 就注册成了一个节点。

GDI 评分系统，基因的"学术同行评审"

上传的基因不是随便就能被其他人用的。EvoMap 搞了一套叫 GDI（Global Desirability Index，全球可取性指数）的评分系统，从五个维度给基因打分：

达不到最低分数的基因直接拒绝上架，没有人工开后门。已经上架的基因如果后续质量下降、使用异常或被举报，还可以被撤销。

这套机制就是"自然选择"的工程化实现。好基因被更多 Agent 使用、权重升高、排名靠前；差基因无人问津、权重衰减、最终被淘汰。

跨生态兼容

EvoMap 喊的口号是"Any Agent, One Protocol"，不管你用 OpenClaw、Cursor、Claude、Windsurf 还是 Manus，都能通过 GEP 协议接入进化网络。

这个野心挺大的。如果真能做到跨 Agent 框架的能力共享和继承，那 EvoMap 的角色就类似于 Agent 世界里的 npm 或 Docker Hub，一个中心化的能力资产仓库，但带有进化属性。

六、安全模型：能力进化也得有护栏

搞自动化进化最怕什么？失控。

一个 Agent 自己进化出一个"能力"，说是能帮你修 bug，结果把整个项目删了。这种灾难性后果不是不可能。

Evolver 在安全上花了不少心思。

验证命令安全门控：Gene 的验证命令只允许以 node、npm、npx 开头，禁止反引号和 $() 命令替换，禁止分号、管道、重定向等 shell 操作符。每条命令限时 180 秒。

外部资产接入隔离：通过 A2A 协议接入的外部 Gene/Capsule 先暂存到隔离候选区，必须手动打 --validated 标志才能提升为正式资产。而且永远不会覆盖本地已有的同 ID 基因。

核心源码保护：有一个 Protected Source Files 机制，防止自治 Agent 覆盖 Evolver 自身的核心代码。

爆炸半径控制：Capsule 的晋升门控里有一个 blast_radius.files ≤ 5 的硬约束，单个能力影响的文件数不能超过 5 个，控制"一个 bug 引发雪崩"的风险。

自动 Issue 上报：连续 5 次以上相同错误模式会自动向 GitHub 仓库提交 Issue，但提交前会自动脱敏，把 token、本地路径、邮箱之类的敏感信息全部抹掉。

这套安全设计比较务实。不是追求绝对安全（那样什么也干不了），而是在"让 Agent 自主进化"和"防止翻车"之间找了一个平衡点。

七、跟其他"自进化"方案比一比

AI Agent 自进化不是 Evolver 独创的概念。最近半年至少有三四个项目在搞类似的事情。摆在一起对比，能更清楚地看出 Evolver 的定位。

最大的差异在两个层面：

进化粒度。Evolver 做到了基因级，最小可复用单元。Hermes 和 GenericAgent 都在技能级操作。粒度更细意味着组合灵活性更高，也更容易做到精准的"遗传"和"变异"。

网络效应。其他三个都是单 Agent 自嗨。Evolver 搞了 EvoMap 网络，让进化变成了群体行为。一个 Agent 学到的好东西，全网都能用。这个区别是本质性的，单点进化 vs 群体进化，效率差好几个数量级。

不过得说句公道话。EvoMap 团队在 4 月 11 号发了一篇博客，详细对比了 Hermes Agent 跟 Evolver 的架构"同构性"，暗示 Hermes 的设计高度参考了 Evolver 但没有注明出处。两个项目在三层记忆、周期反思、任务后提取、按需加载等模块上确实对应得很精确。但 Hermes 方面引用的是 Stanford/Berkeley 的 GEPA 框架（ICLR 2026 Oral），而不是 Evolver。

这场"谁先谁后"的争论短期内不会有定论。但对我们使用者来说，重要的不是谁抄了谁，而是这个方向本身是否成立。我的判断是：Agent 自进化是一个正确的方向，不管最终胜出的是哪个具体实现。

八、动手上路：十分钟跑起来 Evolver

说了这么多原理，来点实操的。

安装

git clone https://github.com/EvoMap/evolver.git
cd evolver
npm install

依赖很简单，Node.js 18+ 和 Git 就行。

单次运行

node index.js

这会执行一次完整的进化循环：扫描日志 → 选择基因 → 生成 GEP prompt → 记录进化事件 → 退出。

守护进程模式

node index.js --loop

以后台进程方式持续运行，每次循环后自适应休眠。适合长期挂着让 Agent 持续进化。

指定策略

EVOLVE_STRATEGY=innovate node index.js --loop

人工审核模式

node index.js --review

生成的进化提案不会自动执行，而是等你 review 后再决定是否应用。新手建议先用这个模式，看看 Evolver 到底在干什么，再逐步放手。

接入 EvoMap 网络

创建 .env 文件：

A2A_HUB_URL=https://evomap.ai
A2A_NODE_ID=your_node_id_here

不配这个的话 Evolver 完全离线运行，核心功能不受影响。配了之后可以从网络上拉取别人验证过的好基因，也可以把自己的基因贡献上去。

pm2 保活

pm2 start "bash -lc 'node index.js --loop'" --name evolver --cron-restart="0 */6 * * *"

生产环境建议用 pm2 管理，设个每 6 小时自动重启的定时任务保活。

实际上手体验下来，Evolver 的设计确实比较精简。核心就一个 node index.js，不需要安装一堆 Python 依赖，也不需要配数据库。对已经在用 Node.js 生态的人来说，集成成本很低。

九、我的一些想法：Evolver 的机会和隐忧

聊完了技术细节，说说我自己的看法。

让我觉得靠谱的地方

边界感好。 Evolver 知道自己该干什么、不该干什么。它不是一个全能 Agent 框架，而是一个专注于"进化"这一件事的引擎。不执行代码、不发请求、不碰文件系统，只输出 prompt 和审计日志。这种克制在 Agent 圈子里反而很少见。

协议思维。 GEP 是一个协议，不是一个库。协议的好处是标准化、可互操作。如果越来越多的 Agent 框架支持 GEP，那 EvoMap 网络的价值会呈网络效应增长。

安全设计诚实。 没有标榜"绝对安全"，而是设了一堆务实的护栏：命令白名单、爆炸半径限制、隔离候选区、脱敏上报。这说明团队真的想过"如果 Agent 乱来了怎么办"。

让我觉得不太确定的地方

核心代码混淆。 Evolver 的核心演化引擎以混淆形式分发，README 里也说了原因，之前被人"高度借鉴"了，所以现在保护知识产权。情有可原，但开源项目的核心逻辑看不到源码，确实让人不太舒服。而且许可证从 MIT 改成了 GPL-3.0，商用门槛抬高了。

中心化风险。 EvoMap 网络目前是中心化的。所有基因上传到 evomap.ai，由平台做质量审核和排名。如果平台出问题或者改政策，所有接入的 Agent 都受影响。团队也承认想往去中心化方向发展，但目前还没看到具体路线图。

网络效应的冷启动。 EvoMap 的价值取决于有多少 Agent 接入、有多少高质量基因被分享。目前项目 4700 star，实际活跃贡献者有多少、基因库里有多少经过验证的好资产，从外面看不太清楚。

与 MCP 的关系。 GEP 在技术栈里的定位是在 MCP（工具层）和 Skill（技能层）之上的"进化层"。但 MCP 本身还在快速迭代中，Agent 的 Skill 标准也没统一。在下面的地基还在动的时候，往上盖一层"进化层"，稳定性是个问号。

十、收个尾

AI Agent 的发展路径，跟生物进化有一个本质相似：真正强大的能力不是设计出来的，是进化出来的。

现在大部分 Agent 框架在做的事情，相当于帮生物体设计骨骼和肌肉。重要吗？当然重要。但缺了进化机制，每个个体都是孤岛。一个 Agent 用一万次 token 摸索出来的最优策略，第二天就失忆了；隔壁的 Agent 要想获得同样的能力，只能再烧一万次 token 自己试。

Evolver 提出的解法是给 Agent 装上 DNA，把能力编码成可继承、可验证、可传播的基因。不敢说它就是最终答案，但这个方向确实值得认真对待。

项目地址：https://github.com/EvoMap/evolver^[1]

EvoMap 平台：https://evomap.ai^[2]

想体验的话，git clone 下来 npm install 再 node index.js 就完事了。建议先用 --review 模式看看它到底在做什么，别上来就 --loop 然后人还不在电脑旁边。虽然它不会自己乱动你的代码，但了解一下它的"进化提案"都写了啥，对你理解整个系统的运作逻辑很有帮助。

一个 Agent 学会，百万 Agent 继承。

听起来像 slogan，但如果 GEP 协议真的普及了，这句话就不是 slogan 了。

引用链接