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
- 2 个月前
- License
- MIT
- 主语言
- Python
- FA 评分
- 43/100 · 缺口较多
30 秒速览
- 可在哪里用
- 通用 · 跨平台Codex · Claude Code · OpenAI API · Claude API
- 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。
- 主要局限
- 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。
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 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|
| Agent Apprenticeship 当前 | 43 · 缺口较多 | ★ 1.6k | 2 个月前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| Agent Toolkit | 74 · 存在缺口 | ★ 18 | 3 天前 | V | ChatGPT · Codex · Claude Code |
| GameDesignOS：本地优先的游戏设计操作系统 | 78 · 表现良好 | ★ 395 | 1 个月前 | Python | Codex · Claude Code |
| OmniGet 桌面智能体与下载工具箱 | 71 · 存在缺口 | ★ 14k | 1 天前 | Rust | Codex · Claude Code · OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：README 提到存储 API 密钥在 ~/.agent-apprenticeship/.env.local，并支持公共/私有模式，但未说明权限最小化或用户确认机制。数据流透明度有限，未详细说明数据如何收集、使用和共享。敏感数据处理仅提及密钥存储，未说明加密或保护措施。依赖安全未提及漏洞扫描或锁定。外部影响未明确说明网络调用或数据上传。回滚机制未提及。来源归属未明确说明数据来源或贡献者。扣分原因：缺乏具体实现细节和证据。
证据显示：README 和 package.json 中的命令和描述基本一致，但未提供测试结果或运行证据。依赖可用性未明确说明，但列出了依赖项。失败消息未提及错误处理或用户提示。扣分原因：静态审查无法验证运行行为，且文档未提供失败处理细节。
证据显示：README 明确列出了目标用户（本地代理用户）和场景（工作流循环、跨领域任务）。能力边界未明确说明，但提到了多种代理和模式。触发精度未详细说明命令参数。环境适配提到了 Node >=18 和 Python >=3.11，但未说明操作系统兼容性。扣分原因：能力边界和触发精度描述不足。
证据显示：README 提供了安装、快速入门、命令说明，结构清晰。安装说明详细，包括 npx 和全局安装。命名稳定性：提供了两个命令名（apprentice 和 agent-apprenticeship），但未说明版本兼容性。示例和 FAQ 有基本示例，但无 FAQ。已知限制未提及。许可证为 MIT，版本号存在，但无变更日志。维护责任未明确。扣分原因：缺少已知限制、变更日志和维护责任说明。
证据显示：输出可用性：提供了运行结果路径和检查命令。边际价值：强调经济价值和可复用经验，但未量化。成本效益：未提及资源消耗或成本。扣分原因：成本效益缺乏具体数据。
证据显示：README 中的声明（如数据集规模）未提供验证方法。跨来源验证：仅提及 Hugging Face 数据集，但未提供其他来源。事实与推断分离：未明确区分事实和推断。扣分原因：缺乏可验证的证据和来源。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- API 密钥存储位置和权限管理需进一步审查，确保最小权限原则。
- 数据流和共享机制不透明，需明确数据收集、使用和共享政策。
- 依赖安全未提及漏洞扫描或锁定，需检查依赖版本和安全性。
- 回滚机制缺失，需考虑失败恢复方案。
- 文档中声明（如数据集规模）缺乏验证方法，需谨慎对待。
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。