AgentDescent

这个 Agent 能做什么，适合哪些场景？

AgentDescent 是一个面向提示词、技能、代理目录和代理代码的自演化研究框架，把多个工作器生成的差异视作“梯度”，由聚合器充当“优化器”。工作器针对带版本的账本快照并行执行任务，提交差异和证据卡；单一聚合线程经过五阶段流水线处理陈旧性、冲突、融合、验收与提交。主要 Python 入口是 evolve()，并提供 Strategy、八个 Policies 插槽、LLMAgent、数据加载与评分辅助组件，以及可替换的 aggregator_factory。结果写入 Git 支持的版本化账本，并可通过渲染后的产物、最终留出集奖励和聚合结果计数进行检查。它既能作为 Python 库使用，也提供 CLI、MCP 服务和面向 Claude Code、Codex、OpenCode、DeepSeek Harness 的宿主插件；不过项目明确定位为研究参考实现，而非生产系统。

用户先把数据行转换为 Task，定义奖励函数，以及用于执行当前产物的 run 和生成修改建议的 propose；也可以将这些职责封装进 LLMAgent。evolve() 将任务分配给多个工作器，各工作器读取账本快照、执行 rollout，并输出带证据卡的差异。聚合器持续消费这些结果，按选择、任务采样、提议、陈旧性、冲突、融合、验收和晋升策略处理并发修改，再以事务方式提交到 Git 支持的账本。AppendRules、KeyedRules、FileTree 和 SingleSlot 决定产物如何映射为键，也因此决定修改能够融合还是会发生冲突。调用结束后可读取 result.rendered、result.final_reward 和 result.outcomes()；通过代理插件使用时，还可借助 MCP 或 CLI 的 doctor、plan、start、status、show、apply、cancel、resume 管理运行。

1. 拥有带标准答案数据集的模型工程师，可用留出集奖励演化系统提示词或单槽技能，并比较演化前后的准确率。
2. 维护规则库的代理开发者，可选择 AppendRules 或 KeyedRules，让多个工作器并行提出经验规则，并融合落在不同键上的修改。
3. 维护多文件技能或代理实现的研究人员，可用 FileTree 对目录逐文件演化，把冲突限制在同一路径内。
4. 研究自改进算法的团队，可在串行、同步或无屏障异步调度下运行 ACE、GEPA、EvoSkill 等算法端口，将调度方式作为受控变量。
5. 使用 Claude Code、Codex、OpenCode 或 DeepSeek Harness 的开发者，可通过宿主插件发起演化任务，再从 CLI 检查状态和结果。
6. 需要自定义演化规则的框架作者，可替换八个 Policies 插槽；若算法需要归档、实例级分数或岛屿池，则可改用 aggregator_factory。

如何安装或部署这个 Agent？

核心包要求 Python 3.9 或更高版本，且没有必需的第三方依赖。安装发布包：

pip install agentdescent

若要运行仓库中的示例和开发测试，需要克隆仓库并安装开发依赖：

git clone https://github.com/Birfy/agentdescent && cd agentdescent
pip install -e ".[dev]"
python -m examples.run_demo

该演示不需要 API 密钥或网络。若要连接 OpenAI 兼容端点，应在调用时从环境读取凭据；基础 URL 决定服务提供方：

export OPENAI_BASE_URL=https://api.deepseek.com
export OPENAI_API_KEY=sk-...

为已安装的代理 CLI 配置插件和 MCP 接口，可在仓库中运行：

bash scripts/setup-hosts.sh
agentdescent demo
agentdescent doctor

如何使用这个 Agent？

以下最小示例不需要 API 密钥或第三方依赖。它创建任务、定义 [0, 1] 范围内的奖励、执行函数和失败后的提议函数，然后并行演化共享产物：

from agentdescent import Task, evolve

tasks = [Task(id=f"t{i}", prompt=f"item {i}") for i in range(12)]

def reward(task, output):
    return 1.0 if "2026" in output else 0.0

def run(rendered, task):
    return "answer" + (" 2026" if "year" in rendered else "")

def propose(rendered, task, output, reward):
    return "always state the year"

result = evolve(tasks, reward, run=run, propose=propose,
                rounds=6, n_workers=3, max_concurrency=3)
print(result.rendered, result.final_reward, result.error)

连接真实模型时，可以使用 LLMAgent 和已有适配器；无屏障模式通过 asynchronous=True 开启：

from agentdescent import LLMAgent, claude, openai_compatible, claude_code

evolve(tasks, reward, agent=LLMAgent(claude(model="claude-haiku-4-5")))
evolve(tasks, reward, agent=LLMAgent(openai_compatible(model="deepseek-v4-flash")))
evolve(tasks, reward, agent=LLMAgent(claude_code()))
# 或：evolve(..., asynchronous=True, async_ratio=3)

命令行可先检查本机的 CLI 和密钥，再运行离线演示：

agentdescent doctor
agentdescent demo

这个 Agent 有哪些优点和局限？

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。

FollowAgents 如何评估这个 Agent？

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。

1. v0.7.0 0.7.0 — named algorithm registry, self-improvement and verifier tooling 2026-10-23
   发布说明摘录

   Added - A persistent-island population run now returns EvolutionResult.lineages (#150, semantics C): a read-only row per lineage (dev plus each island) with its candidate count, best archived version/score, selection count and lineage tip. It is read from the archive the gate already scored, survives finalize, and is None on a single-head run; the official artifact is unchanged. - ACE's grow-and-refine playbook is now a named algorithm ("algorithm": "ace", kind: text) in the in-package registry (#384). ACEPlaybook, its …

   在 GitHub 查看 ↗
2. v0.6.0 0.6.0 — multi-head, allocator, trajectories, governance 2026-10-16
   发布说明摘录

   Everything merged since 0.5.1: multi-head ledger forks, value-directed allocation, L-traj resume, trajectory ledger, governance contracts, CladeThompson, skill_dir structural gates, RRSI building blocks, changelog fragments, and a large set of crash-safety / overflow / parser fixes. Highlights - Multiple live heads — Ledger.fork / live_heads / discard_head so workers can expand different candidates in parallel without serialising on dev. - Value-directed budget allocation — evolve(allocator=...) learns which candidates are worth the expensive self-verify rollout. …

   在 GitHub 查看 ↗
3. v0.5.1 0.5.1 — reliable host installs and a clearer first run 2026-10-10
   发布说明摘录

   Everything merged since 0.5.0, including the host-launch repair and the updated website, quickstart and documentation. Highlights - Machine-local MCP launchers and session hooks use the installing Python, so a later agent process does not need the pip scripts directory on PATH. Reinstalling repairs stock legacy and stale pinned Codex/OpenCode entries while preserving custom configurations and wrappers. …

   在 GitHub 查看 ↗

常见问题