Agent Apprenticeship
把本地智能体任务执行转化为可复用经验与运行时训练。
- Star 数
- ★ 1.6k
- 最近更新
- 18 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 49/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Codex · Claude Code · OpenAI API · Claude API
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 使用 Codex 的开发者希望在本机执行市场调研、发布清单等长流程任务，并把结果沉淀为下一次任务可安装的训练经验。
- 不适合
- 需要一键托管服务、不想碰本地终端和文件系统的团队
- 不愿把任务数据或经验编译贡献到公共生态的团队
- 源码审查
- 49/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
Agent Apprenticeship 是一个通过本地命令行运行的工作流循环工具，用于让学徒智能体完成任务，并由导师模型、用户或人工专家参与评估。它支持 Codex、Cursor、Claude Code、OpenClaw、OpenCode、Hermes Agent 及自定义命令模板，并会自动检测已安装的 CLI。一次运行完成后，会输出本地运行目录和 Experience Compilation（经验编译包）路径；该编译包可检查、导出、检索或安装为后续运行的 Runtime Training。项目还提供公共生态与“Private Internal Only”两种贡献模式，并发布了包含任务、执行轨迹和经验记录的 Seed Dataset v0.2。
使用 apprentice run "<task>" 启动任务工作流，并以配置的 Apprentice Agent 执行任务。通过 apprentice configure 或 apprentice configure model 选择智能体、导师模型提供方和 Apprenticeship Mode；自定义智能体可用 apprentice configure agent custom --command-template "..." 提供命令模板。运行完成后，使用 apprentice watch <run_id> 查看进度，使用 apprentice ecosystem inspect <experience_compilation_path> 和 apprentice bundle check <experience_compilation_path> 检查经验编译包；apprentice ecosystem export ... --full 可导出完整包，apprentice learn install ... 可将既有经验安装为 Runtime Training。公共模式下还可用 apprentice ecosystem search、inspect 和 pull 查找及获取生态经验。
- 使用 Codex 的开发者希望在本机执行市场调研、发布清单等长流程任务，并把结果沉淀为下一次任务可安装的训练经验。
- 使用 Claude Code、Cursor 或 OpenCode 的个人，需要在多个已安装 CLI 中选择一个作为任务执行端。
- 拥有内部命令行智能体的团队，需要通过
{workspace}与{prompt_file}占位符接入自定义执行命令。 - 有领域专家参与的团队，希望以 Expert-Led 模式让导师模型、用户或人工专家参与真实任务流程。
- 需要复用或审计过往任务产物的用户，可检查、导出、搜索或拉取 Experience Compilation。
如何安装或部署这个 Agent？
需要可用的 Node.js 与 npm，以及要使用的本地智能体 CLI。运行：
npx agent-apprenticeship init或全局安装：
npm install -g agent-apprenticeship
apprentice init如需导师模型提供方，在 ~/.agent-apprenticeship/.env.local 中配置相应的 OPENAI_API_KEY、ANTHROPIC_API_KEY、GEMINI_API_KEY 或 OPENROUTER_API_KEY；也可在当前终端设置相同的环境变量。之后运行 apprentice doctor 检查配置。
如何使用这个 Agent？
初始化后运行 apprentice configure，或用 apprentice configure model 配置导师模型提供方，并用 apprentice settings 查看设置。首次任务可运行：
apprentice run "Create a short market map for AI procurement tools."用 apprentice watch <run_id> 观察运行。完成后按输出的 Experience Compilation 路径执行 apprentice ecosystem inspect <experience_compilation_path>，并可运行 apprentice learn install <experience_compilation_path> 后再启动新的任务。需要一次性限制循环深度时，可设置 AA_MAX_ITERATIONS=3。
这个 Agent 有哪些优点和局限？
- 可在同一工作流中选择多种本地智能体 CLI，并支持自定义命令模板。
- 将运行产物明确组织为 Experience Compilation，支持检查、完整导出、搜索、拉取和后续安装。
- 同时提供 Autonomous、Expert-Led 和 Organization Custom 三种 Apprenticeship Mode。
- 提供 Seed Dataset v0.2，含 500+ 种子任务、1000+ 完整执行轨迹和 505 个完整经验编译包。
- 需要本地 shell、文件系统和已安装的智能体 CLI；不是文档中描述的一键托管服务。
- 导师模型配置依赖 OpenAI、Anthropic、Gemini 或 OpenRouter 的 API 密钥，具体模型费用与计费方式未说明。
- 循环深度需要通过设置或
AA_MAX_ITERATIONS管理，文档未说明任务失败后的自动恢复策略。 - 未提供关于协作权限、数据脱敏或公共生态贡献前审查流程的具体说明。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Agent Apprenticeship 当前 | 49 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1.6k | 18 天前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| Agent Toolkit | 71 · 存在缺口 | 命令行工具免费 | ★ 19 | 今天 | V | ChatGPT · Codex · Claude Code |
| AGF 本地编码会话查找器 | 77 · 表现良好 | 命令行工具免费 | ★ 162 | 1 个月前 | Rust | Codex · Claude Code |
| GameDesignOS：本地优先的游戏设计操作系统 | 71 · 存在缺口 | 命令行工具免费 | ★ 452 | 2 个月前 | Python | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
README 给出本地密钥文件、私有模式、运行产物与公开贡献命令，CLI 摘录也显示脱敏相关模块；这些是有限的数据流和敏感信息处理线索，因此各项给 1。材料没有具体最小权限、上传前确认、外部副作用控制或回滚流程，不能给更高分。ATIF 模型注明 Harbor 来源、固定提交和许可证，故来源归属给 2；但仓库整体维护者身份和贡献路径不清，未给满分。
测试摘录覆盖 ATIF 校验、往返转换、产物完整性、工作流与失败时拒绝无效轨迹，且 README 命令与 CLI 结构大致一致，自洽性给 2。依赖声明有 Python 版本和范围，但没有锁定版本或可用性保障，依赖可用性给 1。CLI 对失败、部分完成和原因有明确输出，给 2；材料未充分展示其他错误路径，故不满分。
README 列出多种本地 Agent、模型提供方、自定义命令、自治/专家主导/组织模式及公开/私有贡献场景，受众与场景给 2。CLI 有配置、诊断、运行、检查、导出和学习命令，环境适配给 2。能力边界虽有模式和运行设置，但缺少明确的不支持场景、限制或执行边界说明，给 1。命令与触发场景清楚，给 2。
README 提供主要功能分区、安装、快速开始及命令示例，信息架构和安装说明给 2；有用法示例但未见 FAQ，给 1。文件名、命令名和包名整体相称，给 2。未见已知限制，给 0。MIT 许可证文本明确，给 3。版本在包元数据中为 0.3.0，README 提及 Seed Dataset v0.2，但未见变更日志，给 1。仓库声明了来源仓库，却没有清楚的维护责任人或更新承诺，给 1。
产品描述的工作循环、经验编译、导出和复用训练与 CLI 工作流及测试中的产物相互印证，输出可检查且可复用，给 2。对持续工作、经验留存和复用的价值有具体实现线索，给 2；经济价值和效果主要是 README 的主张，成本、资源消耗及收益证据不足，成本收益给 1。
README 的数据集规模和经济价值等主张在提供的文件中缺少对应数据或方法细节，主张可追溯性给 1。部分架构与功能可由 CLI、包配置和测试交叉印证，给 2；测试摘录不覆盖全部宣传主张，不能给满分。材料没有稳定区分实测事实、估算与愿景主张，事实/推断区分给 1。
- README 中的数据集规模、经济价值估算和效果提升主张，无法从本次提供的源文件样本核实；未提供文件的状态视为未知。
- 静态材料显示支持公开贡献并涉及模型密钥，但没有展示完整上传数据清单、上传确认流程或完整安全控制；使用者应先检查配置与将贡献的产物。
你是这个项目的维护者？把 FARS 徽章加到 README
[](https://followagents.com/zh/agents/agent-apprenticeship)<a href="https://followagents.com/zh/agents/agent-apprenticeship"><img src="https://followagents.com/badge/agent-apprenticeship.svg?lang=zh" alt="FARS 评测"></a>最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
What is new: - Experience Compiler for iterative extraction of reusable training data - Full training data packages (SFT, reward/verifier training, process supervision, preference learning, and agentic RL) - Runtime training install - Eval, replay, environment, and source evidence map packages - Public Ecosystem and Private Internal Only modes - Iterative workflow loops across local Apprentice Agents - Codex, Cursor, Claude Code, OpenClaw, OpenCode, Hermes Agent, and custom agent support …在 GitHub 查看 ↗
常见问题
它能直接运行哪些智能体？
是否必须把经验提交到公共生态？
Public Ecosystem 或 Private Internal Only。导师模型需要什么凭据？
.env.local 或当前终端中设置 OpenAI、Anthropic、Gemini 或 OpenRouter 对应的 API 密钥。怎样复用一次任务的结果？
apprentice learn install <experience_compilation_path>，再启动未来任务。运行出错时有哪些可用检查？
apprentice doctor 检查设置，并用 apprentice bundle check <experience_compilation_path> 检查经验编译包。谢谢反馈，我们会据此改进页面。