Ouroboros 自演进代理
具持续记忆、可审查自我修改能力的本地通用开发代理。
按维度查看评分与理由
证据显示有权限控制（如网络密码、外部工作区隔离、受保护表面）、用户确认（审查策略、首次运行向导）、数据流透明（架构文档、Git历史）、敏感数据处理（密钥不发送、安全报告）、依赖安全（固定版本、供应链风险提及）、外部影响（沙箱、网络围栏）、回滚（Git历史、重启检查）、来源归属（作者、许可证）。但多为声明，缺乏具体实现细节，且未验证。
自洽性：README、架构文档、CI配置一致，版本号匹配。依赖可用性：依赖列表完整，但未验证安装。失败消息：有明确的错误处理（如类型化拒绝、错误日志），但未执行验证。
受众与场景：面向开发者、代理、CI，支持多种平台。能力边界：明确外部工作区、受保护表面。触发精度：命令和配置明确，但未验证。环境适配：支持macOS、Linux、Windows、Docker、Colab。
信息架构：文档齐全（README、BIBLE、ARCHITECTURE等）。安装说明：详细。命名稳定性：版本号一致。示例和FAQ：有示例命令。已知限制：部分提及（如订阅认证未覆盖）。许可证：MIT。版本变更日志：详细。维护责任：作者明确，但未验证。
输出可用性：提供CLI、API、补丁输出。边际价值：自修改、持续身份等特性独特。成本效益：有预算控制，但未验证实际成本。
声明可追溯：基准测试有链接，但自报。跨源验证：部分有外部链接，但未独立验证。事实与推断分离：部分区分，但未完全。
- 基准测试结果均为自报，未经独立验证，应谨慎对待。
- 安全机制多为声明，缺乏具体实现细节，需进一步审查。
- 发布者身份未验证，依赖供应链风险需关注。
这个 Agent 能做什么，适合哪些场景？
Ouroboros 是一个可作为原生桌面应用或无界面 CLI 运行的开源通用 AI 代理。其核心位于 `ouroboros/`，Web 界面位于 `web/`，进程管理层位于 `supervisor/`；身份、记忆、历史、日志和技能保存在本机 `~/Ouroboros/data/`。它可在独立 Git 工作区中执行任务，并以补丁和 JSON 结果等可审查产物输出，而自身仓库与治理边界保持分离。运行时可配置远程模型提供商、兼容端点或本地 GGUF 模型。项目还提供受管理的任务、进度流、计划任务、后台意识和专家子代理协作机制。
通过 ouroboros server 启动本地运行时，并在默认 127.0.0.1:8765 提供浏览器界面。CLI 的 ouroboros run 可启动并执行任务，--workspace 指向外部 Git 工作树，--memory-mode forked 使用分叉记忆，--patch-out 与 --result-json-out 分别导出补丁和 JSON 结果；--jsonl 输出机器可读事件流，--detach 配合 ouroboros tasks watch <task_id> 跟踪异步任务。它可调度任务、输出进度、日志和产物，并通过 /evolve on|off、/review、/bg start|stop|status 管理自主演进、深度审查和后台意识。其可编辑范围包括应用代码、架构、提示词、工具和依赖，变更以 Git 历史、审查证据、受保护表面和重启检查保持可追溯。
- 需要在独立 Git 工作树中修复测试的开发者，可用
--patch-out result.patch获取可审查补丁。 - 需要让本地常驻代理执行夜间维护检查的工程团队，可用
ouroboros schedule add创建 cron 任务。 - 希望在桌面界面中查看专家子代理并行研究、构建和汇总结果的个人开发者。
- 需要以脚本或 CI 调用代理、消费 JSONL 事件流并轮询任务结果的自动化团队。
- 希望让代理跨重启保留任务历史、记忆和反思记录的本地优先使用者。
这个 Agent 有哪些优点和局限？
- 桌面应用与网关式 CLI 共用同一受管理任务模型，可统一查看任务、日志、产物和计划。
- 持久身份、记忆、对话、知识、反思和版本历史均保留在本机，并跨重启延续。
- 外部项目在独立 Git 工作树中运行，并能导出补丁和 JSON 结果，降低与代理自身仓库混杂的风险。
- 支持远程提供商、兼容端点和本地 GGUF 推理，部署路径不限定于单一云端模型。
- 源码运行需要 Python 3.10+、Git 和依赖安装；使用 GitHub 集成时还需要可选的 GitHub CLI。
- 执行任务仍需远程提供商 API 密钥或本地 GGUF 模型；模型费用、硬件需求和模型表现取决于所选配置。
- 外部工作区必须是独立 Git worktree 根目录，且不得与 Ouroboros 自身仓库或数据目录重叠。
- 默认仅绑定回环地址；若暴露到非本地网络，必须设置
OUROBOROS_NETWORK_PASSWORD或使用明确受信任的外部访问层。 - README 中的基准结果标注为自报，部分提交或追踪证据仍处于开放或待发布状态。
如何安装或部署这个 Agent？
源码安装：git clone https://github.com/razzant/ouroboros.git，cd ouroboros，python3.11 -m venv .venv，source .venv/bin/activate，python -m pip install --upgrade pip setuptools wheel，python -m pip install -r requirements.txt，python -m pip install -e . --no-deps。启动：ouroboros server，然后打开 http://127.0.0.1:8765。首次运行需至少配置一个受支持远程提供商的 API 密钥，或配置本地 GGUF 模型。macOS Apple silicon、Linux x86_64 和 Windows x64 也提供发行版安装包。
如何使用这个 Agent？
先启动 ouroboros server，在首次向导中设置模型访问、审查策略和预算。基本检查可运行 ouroboros status；执行任务可运行 ouroboros run --start "2+2?"。对外部项目使用独立且不与 Ouroboros 仓库或数据目录重叠的 Git 工作树，例如：ouroboros run --start --workspace /path/to/project --memory-mode forked --patch-out result.patch --result-json-out result.json "Investigate the task, act, and verify the result"。
这个 Agent 与同类方案有什么区别？
项目的基准表在特定模型与测试框架下，将其自报结果与 Claude Code、Codex CLI、Cursor CLI、Hermes 和 Pointer 等作比较；这些是模型匹配的评测结果，不构成跨模型或通用产品能力的直接等价结论。
常见问题
能否完全在本地运行？
它会直接改动我的项目吗？
--patch-out 导出供审查的补丁。如何长期运行或跟踪后台任务？
--detach 提交任务，再用 ouroboros tasks watch <task_id> 或任务查询命令跟踪；也可用 ouroboros schedule add 创建计划任务。能否安全暴露为局域网或公网服务？
127.0.0.1:8765。非本地绑定前需要设置 OUROBOROS_NETWORK_PASSWORD 或使用明确受信任的外部访问层。