昨天外滩大会好多人
作者分享参加外滩大会的见闻，重点记录了关于 Agent 上下文管理和记忆的讨论。文章提到 OpenAI 新发布的 Agents API 把 Codex 背后的 Harness 做成托管 API，并围绕"记忆是新时代的个人网盘"的观点，畅想云端记忆、跨设备共享和知识交接的可能性。作者还引出圆桌上"妈生感"的有趣概念，期待 AI 通过记忆积累与自进化形成默契，强调验证、纠正和用户掌控权的重要性，最后期待 AI 的主动性与分寸感。
全部文档 / 标签: 自进化
17 篇
Self Evolving Harness With Memory：编码智能体的自进化与记忆机制
文章探讨如何在不训练模型的前提下，让编码智能体在后续任务中持续变好。作者将编码智能体拆解为“冻结模型 + harness 程序”，并以 Pi 和 Hermes 为例说明通用 harness 的循环结构：组装提示、调用工具、追加结果、压缩上下文。核心观点是，真正带来“自进化”的并非内层循环本身，而是引入第二个写入者——在回合结束后或任务进行中，由额外代理将经验写入 MEMORY.md、SKILL.md 或四类存储，使下一个上下文窗口能加载这些持久化知识。Hermes 通过 fork 代理定期写记忆与技能，Prime Agent 则用 /refine 从轨迹中做最小可回滚编辑。两者都保留不可变基础提示，只改变下一窗口内容。
读懂 Warp 的 Agent Skill 自进化机制
本文深入解读了 Anthropic 发布的关于 Warp 构建自进化 Agent 的博客。Warp 通过双 Skill 循环（Base Skill 和 Improver Skill）实现 Agent 的自我改进，将人类反馈转化为对 Skill 文件的修改，并通过 Git 工作流进行管理。文章区分了 Skill 与 Memory 的不同，指出 Skill 是程序性知识，而 Memory 是事实记录。同时，文章探讨了 Skill 自进化的边界，对比了 Skill（软约束）与 Harness（硬约束）在 Agent 进化中的不同作用，并提出了 Agent 可进化内容的三层模型：Memory、Skill、Harness。最后，作者总结了 Warp 团队关于编写 Skill 的几条实用经验，并强调了这种轻量级自进化机制的工程价值。
BestBlogs 精选周刊｜第 110 期：智能供给、稀缺迁移与长期资产
本期周刊以「新的稀缺」为主题，围绕 OpenAI 定制推理芯片 Jalapeño、智谱 GLM-5.3-Flash、千问 Qwen3.8-Flash 等发布，探讨智能供给成本下降后价值交付的真正瓶颈。文章指出，模型变便宜后，稀缺资源转移到了环境与验证、企业数据治理、Agent 自进化的控制面以及人类注意力上。Coding 只占研发链路的小部分，环境、审批、测试与数据可信度决定完成率；自进化系统需要评测、记忆、落地与控制四个齿轮协同；Harness 演进和记忆系统则凸显人类判断与信任界面的长期价值。团队应把节省的推理预算转投评测、失败分析与用户研究，建设可复利的组织能力。
AI 记忆分数超过人类参考，这条新路线创业公司也能走
本文介绍了AI长期记忆领域的最新进展，重点分析了Alloomi公司在LongMemEval-S等评测中取得超过人类参考分的成绩。文章详细解读了其背后的技术路线——基于开源模型的自进化后训练流程，包括数据收集、质量筛选、专家锚定、后训练、评测准入和版本回滚等步骤。作者认为，这条路线降低了创业公司的门槛，将竞争焦点从算力转向数据和流程，为行业模型的发展提供了新思路。
AI Agent 的自进化：从第二次交付看真实能力
本文探讨了AI Agent 的自进化能力，提出判断其是否真正变强的关键在于第二次交付的表现。作者认为，如果Agent每次任务都从零开始，无法记住上次的修改和专家的纠正，那么系统只是在重复劳动。文章介绍了Alloomi 的路线，即通过沉淀真实工作中的判断、修改和结果，让经验成为下一次交付的输入，形成复利闭环。文中还展示了Alloomi 在长期记忆、持续学习和专业交付方面的benchmark数据，并讨论了其技术架构，包括Holistic Context 和Self-Evolving Agent，以及开源项目OpenContext。最后，作者强调下一代AI公司的护城河在于用户第二次任务是否优于第一次，以及模型能否从经验中学习并回滚错误。
Agent Memory 的下一步：从检索到状态演变
本文探讨了Agent长期记忆的核心问题：不仅仅是找回过去的信息，更要理解信息的时效性和演变过程。作者以Alloomi的Holistic Context研究为例，指出长期Agent面临的关键挑战是判断信息是否仍然有效，以及理解过去如何演变成现在。文章区分了检索回答与长期上下文回答，并介绍了Holistic Context在信息更新、跨时间关系和大规模历史理解方面的研究成果。作者强调，长期Agent的能力不应仅由记忆容量衡量，而应关注其从经验中学习并转化为复杂任务交付的能力。
Alloomi｜客户已经改到 V4，AI 还在执行 V1：Agent 需要的不只是上下文
本文通过一个广告片修改的实例，指出当前AI Agent在长期工作中的一个关键缺陷：无法区分旧要求与当前状态，导致执行过时指令。作者认为Agent的下一轮竞争不在于工具数量，而在于记忆、学习与执行三层能力。文章介绍了Alloomi的两份技术报告，分别对应Holistic Context（全域上下文）和Self-Evolving Agent（自进化智能体），并给出了多个基准测试结果，证明其在长期记忆、持续学习和真实任务交付上的优势。最终，作者强调AI应像人类同事一样，从项目经验中成长。
Agent记忆的进阶：从记住到学会再到做得成
本文深入探讨了Agent长期记忆的复杂性，指出仅记住历史并不足够，还需处理信息过期、判断变更、反馈应用及错误回滚等问题。作者通过Alloomi的Holistic Context和Self-Evolving Agent技术报告，阐述了如何通过组织实体时间线、经验筛选与后训练，实现Agent从记忆到学习再到实际交付的进化。文章强调，真正的数字员工应具备经验迁移、状态理解和受控进化能力，并提出了三层评估框架。
与其由我自己来维护记忆，不如让Agent记住更多
作者分享了为Agent做知识管理的痛点：Skill无法跨项目迁移，知识库虽大但Agent无法自主利用，导致作者需要人工替Agent维护记忆。作者介绍了Alloomi产品，其通过三层架构（记得住、学得会、实践）实现Agent的自进化，并开源了OpenContext工具。作者希望未来的Agent产品能具备自进化能力，帮助用户组织底层记忆。
AI Agent 干得越多，为什么还是不会变熟练？
本文探讨了AI Agent在长期部署中面临的核心问题：完成多次任务后，其能力并未随之提升。作者介绍了Alloomi公司的技术路线，通过Holistic Context维护长期工作状态，以及Self-Evolving Agent将任务经验后训练进模型，形成“模型+应用”的反馈回路。文章详细解析了两份技术报告，包括上下文管理机制、后训练流程、基准测试结果及开源项目OpenContext的验证，指出当前证据仍属早期阶段，但为长期运行的Agent提供了可检查的工程入口。
「自进化数字员工」是怎样炼成的？拆解 Alloomi 的三层技术路线
本文深入探讨了AI Agent从“记忆”到“学习”的进化路径，指出传统RAG方案在长周期业务中的局限性，并详细拆解了Alloomi提出的三层技术路线：任务层（Holistic Context）、脚手架层（MAPE控制环）和模型层（Self-Evolving Agent）。通过九项Benchmark验证，展示了该方案在长期记忆、持续学习和真实任务交付上的显著提升，提出了数字员工应具备“记得住、学得会、做得成”三类能力的观点。
AI 学的越勤快，反而错的越牢？
本文探讨了AI Agent的“自进化”能力，指出若训练数据包含过期或错误的历史信息，模型会越学越错。作者以Alloomi公司的两份技术报告为例，介绍了Holistic Context如何通过实体归因、时间线和关系学习清理混乱的工作历史，以及Self-Evolving Agent如何通过质量过滤、LoRA微调、跨任务回放和稀疏权重单元（Engram X）将整理后的经验安全地融入模型。实验显示，在CL-Bench上，完整SEA机制比无记忆基线提升26.1个百分点。文章强调，AI公司的下一道分水岭在于能否构建受控的经验积累与更新链路，而非单纯扩大上下文窗口。
Hermes Agent 推出 Bundle 功能：一键打包 Skills 与 MCP
本文介绍了 Hermes Agent 推出的 Bundle 功能，通过一条命令即可完成 Skills、MCP、Rules 和 Hooks 的配置。文章详细解析了 Bundle 包含的四大核心组件，展示了社区预设的 developer、content-creator 等技能包，并强调了其自进化能力，即 Agent 能在任务后自动生成新的 Skill，极大提升了 AI Agent 的落地效率。
Hermes Agent 进阶指南：从架构原理到构建自进化的多智能体系统
本文深入介绍了 Nous Research 开源项目 Hermes Agent。文章详细解析了其独特的“学习闭环”架构，该架构结合了三层持久化内存、自进化技能系统以及 GEPA 优化引擎，解决了传统 Agent 随会话结束而遗忘的问题。文中还将 Hermes 与 OpenClaw 进行了对比，并提供了从零开始配置多个个性化 Agent（程序员、研究员、设计师）的实战教程，旨在帮助开发者打造能够 24/7 运行且持续学习的个人 AI 队伍。
AI Agent 记忆机制原理与实战解析
文章深入浅出地讲解了 AI Agent 记忆系统的工作原理，从基础的单会话与多会话记忆保持切入，引出 Google 提出的情景、语义与程序性记忆三分法。通过对比 OpenClaw 的实现方式与存在的问题，重点剖析了企业级方案 EverOS 的架构。EverOS 将记忆细分为六大类，并通过语义巩固、主动上下文重建等技术优化记忆的抽取、更新与检索。文章还包含 EverOS 的 API 调用示例及 20 个真实落地场景，为开发者提供了 Agent 记忆系统的全景指南。
Spark: 拥有集体进化网络的自进化 Agent
文章介绍了 Spark，一个轻量级的自进化智能体框架。Spark 旨在让开发者和创作者能够构建递归自我改进循环，通过“Domain Chips”（领域芯片）实现专业化与工具执行。作者受 Karpathy 和 Carmack 原则启发，推出了 Spark Researcher 运行时核心和加密交易领域芯片作为示例。该项目还即将推出名为 Spark Swarm 的集体进化网络，允许智能体相互分享、学习和进化。
