Generic Agent：3000行代码打造自进化AI智能体

核心理念：能力不是堆出来的，是长出来的

在AI智能体领域，一个反常识的现象正在发生：核心代码仅3000行的Generic Agent，在多个评测中击败了拥有53万行代码的OpenClaw等成熟框架。它更省资源、更稳定，而且——它会自己写新技能，越用越强。

在软件工程领域，代码量与系统能力之间的关系从来不是线性的。OpenClaw等成熟Agent框架积累53万行代码，很大程度上源于「防御性编程」的惯性——为每一种可能的场景预先编写处理逻辑，为每一类工具单独开发适配器。这种「大教堂式」的构建方式在早期能快速覆盖需求，但随着代码库膨胀，维护成本呈指数级上升，新功能的引入往往需要理解并兼容大量历史逻辑。Generic Agent的3000行核心代码则代表了另一种哲学：只保留不可再简化的原语，将复杂性推迟到运行时由AI自主解决。

这背后的设计哲学与主流Agent框架截然不同。当大多数框架忙着用插件堆功能、用代码量换覆盖面时，Generic Agent选择了一条极简路线：9个原子工具 + 约100行主循环，不预设任何技能，全靠使用过程中自我进化。

「9个原子工具」的设计灵感与计算机科学中的「最小指令集」理念一脉相承。就像RISC架构用少量精简指令通过组合实现复杂运算，Generic Agent的原子工具（浏览器、终端、文件系统、键鼠、屏幕视觉、ADB等）覆盖了计算机交互的基本维度。理论上，任何复杂任务都可以被分解为这些原子操作的序列组合。关键的突破在于：过去需要人类程序员来完成这种「分解与组合」，而现在大语言模型具备了足够的推理能力来自主完成这一过程。这使得「少量工具 + 强推理」的路线在2024年后才真正具备实用价值。

自进化机制：从笨拙到熟练的自我成长

技能固化：一次折腾，终身受益

Generic Agent最核心的特性是「自进化」。用一个具体场景来说明：

第一次让它监控股票，它需要自己安装依赖、编写脚本、反复调试，整个过程可能相当曲折。但关键在于——这条跑通的路径会被固化为一个技能存储下来。下次再提出同样的需求，一句话就能启动，无需重复折腾。

任务做得越多，它积累的技能库就越丰富。这不是简单的缓存或模板复用，而是真正意义上的经验积累与能力生长。

Generic Agent的技能固化机制，在学术上与「程序合成」（Program Synthesis）和「少样本学习」（Few-shot Learning）领域的研究高度相关。当Agent首次完成一项任务时，它实际上完成了一次从自然语言需求到可执行程序的合成过程。将这个过程的产物（调试通过的脚本、参数配置、执行路径）持久化存储，本质上是在构建一个由实际使用驱动的「程序库」。这与DeepMind在Voyager（Minecraft AI Agent）中提出的「技能库」概念相似，但Generic Agent将其应用于真实计算机环境，挑战性更高——现实世界的网站结构、API接口、系统环境远比游戏沙箱复杂多变。

五层记忆架构：跨会话的持久记忆

Generic Agent采用了从L0到L4的五层记忆结构来管理知识和技能。这种分层设计的核心优势在于：跨会话也不会遗忘。今天学会的技能，明天可以接着用，真正实现了能力的持续积累。

这一架构在设计上借鉴了认知科学对人类记忆系统的分层模型。人类记忆被分为感觉记忆、工作记忆、短期记忆、长期记忆等层次，不同层次在容量、持久性和提取速度上各有侧重。AI Agent的记忆架构面临类似的工程权衡：L0层通常对应当前上下文窗口内的即时信息（类似工作记忆），L4层则对应经过高度抽象和压缩的长期技能知识。跨会话持久化的核心技术挑战在于「记忆检索」——当任务到来时，如何从庞大的历史技能库中快速定位最相关的经验，这通常依赖向量数据库和语义相似度搜索来实现。

这与大多数AI Agent框架形成了鲜明对比——后者往往在每次新会话中都要从零开始，无法利用历史经验。

极简架构下的全面能力

3000行代码能做什么？

别被代码量迷惑，Generic Agent的能力覆盖相当全面：

• 浏览器操控：注入真实浏览器，保留登录态
• 终端操作：直接执行命令行任务
• 文件系统：读写、管理本地文件
• 键鼠输入：模拟人类操作
• 屏幕视觉：理解屏幕内容
• 移动设备：通过ADB控制手机

基本上你电脑能做的事，它都能触及。

真实浏览器注入：一个聪明的设计决策

值得单独说说浏览器注入策略。浏览器自动化领域长期存在两种技术路线的争论：沙箱方案（如Playwright、Puppeteer启动独立浏览器实例）的优势在于环境隔离、安全可控，但代价是每次任务都需要重新建立会话状态，面对需要登录的网站时往往束手无策或需要额外的凭证管理系统。真实浏览器注入（通过Chrome DevTools Protocol连接用户已运行的浏览器）则直接继承了用户的完整会话状态——包括Cookie、LocalStorage、已登录账户等。

与沙箱方案不同，Generic Agent直接注入用户的真实浏览器环境，保留已有的登录状态和Cookie。这意味着它不需要每次都重新登录各种网站，所有必要的上下文都已就绪。这种方式在隐私和安全上需要更高的信任度，但在实用性上大幅领先，特别适合个人助手类场景——Generic Agent选择后者，是一个明确的「实用优先」价值取向的体现。

Token效率：仅为竞品的六分之一

在大模型应用中，Token消耗直接关联使用成本和响应速度。Token消耗在大模型应用中扮演着类似「燃料效率」的角色，直接决定了产品的商业可行性。以GPT-4o为例，输入Token约0.005美元/千Token，一个消耗20万Token上下文的Agent任务，仅上下文成本就达1美元，若每天执行数十次任务，月成本可轻松突破数百美元。Generic Agent在这方面的表现堪称惊艳：

• 上下文窗口不到3万Token，而很多Agent动辄20万起步
• 同样的任务，Token消耗仅为竞品的六分之一

Generic Agent将上下文压缩至3万Token以内，背后依赖的是精心设计的「上下文压缩策略」——只保留当前任务最相关的记忆片段，而非将全部历史信息塞入上下文。这种「按需加载」的记忆机制，与数据库索引的设计思想异曲同工。省Token就是省钱，同时也意味着更快的响应速度。随着技能库成熟，Agent能直接调用已验证的技能而非重新推理，进一步压缩Token消耗，形成正向飞轮。

在SWEBench、Lifelong Agent Bench等多个评测中，Generic Agent在工具使用效率、Token消耗和请求数上据称全面领先。SWEBench（Software Engineering Benchmark）是目前AI Agent领域最具权威性的评测基准之一，由普林斯顿大学于2023年发布，从GitHub真实Issue中提取任务，要求Agent在实际代码仓库中定位Bug、编写修复代码并通过测试，全程无人工干预。Lifelong Agent Bench则专注于评测Agent在持续多任务场景下的表现，特别关注知识积累和迁移能力，这与Generic Agent的自进化设计理念高度契合。更关键的是，测试表明它在连续多轮执行后，能收敛到稳定的低成本状态——这正是自进化机制带来的红利。

目前Generic Agent支持Claude、Gemini、Qwen等主流大模型，兼容性良好。

冷静思考：极简路线的机遇与挑战

Generic Agent提出了一个值得深思的方向：AI智能体的能力，是否一定要靠代码量和插件数来堆砌？

它的自进化思路确实优雅——用最少的预设，通过实际使用来生长能力。这种方式有几个明显优势：

1. 维护成本低：3000行代码的维护难度远低于53万行
2. 适应性强：不依赖预设技能，理论上可以适应任何新场景
3. 成本可控：Token消耗随技能积累持续降低

但也需要正视潜在的挑战：

• 初次执行新任务时的成功率和效率如何？
• 技能库膨胀后的管理和冲突问题怎么解决？
• 在复杂企业场景中，极简架构是否足够健壮？

正如原作者所言，「能不能真打过成熟框架，还得让子弹飞一会儿」。但无论最终结果如何，Generic Agent至少证明了一件事：在AI Agent的设计中，少即是多并非空谈，自进化可能是比堆功能更有生命力的路径。

核心要点

• Generic Agent仅用3000行核心代码和9个原子工具，通过自进化机制实现能力增长，无需预设技能
• 采用五层记忆架构（L0-L4），借鉴认知科学分层记忆模型，支持跨会话的技能积累和持久记忆
• Token消耗仅为竞品的六分之一，上下文窗口不到3万Token，大幅降低使用成本
• 能力覆盖浏览器、终端、文件系统、键鼠、屏幕视觉和移动设备控制，注入真实浏览器保留登录态
• 在SWEBench等多个评测中表现优异，提出了「能力是长出来的而非堆出来的」这一AI Agent新范式