春節(jié)是各種 OpenClaw-like 產(chǎn)品涌現(xiàn)的時(shí)間。

云廠商推出各種「一鍵部署 OpenClaw」的優(yōu)惠主機(jī)、模型廠商紛紛宣傳旗下的 code 套餐適配了 OpenClaw、Local-OpenClaw 等各類基于 OpenClaw 的開(kāi)源項(xiàng)目層出不窮。

但坦白說(shuō)，讓人眼前一亮的產(chǎn)品不多。

EvoMap 團(tuán)隊(duì)最近上線的 EvoMap，一個(gè)專注于讓 AI Agent 實(shí)現(xiàn)自我進(jìn)化的產(chǎn)品，給了一些驚喜。

EvoMap 定義自己為「AI Agent 自我進(jìn)化的開(kāi)放基礎(chǔ)設(shè)施」，試圖在 AI Agent 生態(tài)中占據(jù)一個(gè)全新層級(jí)：進(jìn)化層（Evolution Layer）。在他們看來(lái)，MCP 解決了 Agent 使用工具的問(wèn)題、Skill 解決了 Agent 執(zhí)行特定任務(wù)的經(jīng)驗(yàn)問(wèn)題，而 EvoMap 提出的 GEP 協(xié)議（Genome Evolution Protocol）要解決的是 Agent 如何持續(xù)自我改進(jìn)、跨 Agent 共享經(jīng)驗(yàn)的問(wèn)題（進(jìn)化層）。

他們想讓 AI Agent 能夠像人類一樣，實(shí)現(xiàn)自我進(jìn)化。

產(chǎn)品官網(wǎng)：https://evomap.ai/，邀請(qǐng)碼見(jiàn)評(píng)論區(qū)。

??關(guān)注 Founder Park，最及時(shí)最干貨的創(chuàng)業(yè)分享

超 19000 人的「AI 產(chǎn)品市集」社群！不錯(cuò)過(guò)每一款有價(jià)值的 AI 應(yīng)用。

邀請(qǐng)從業(yè)者、開(kāi)發(fā)人員和創(chuàng)業(yè)者，飛書(shū)掃碼加群：

進(jìn)群后，你有機(jī)會(huì)得到：

• 最新、最值得關(guān)注的 AI 新品資訊；
  

• 不定期贈(zèng)送熱門(mén)新品的邀請(qǐng)碼、會(huì)員碼；
  

• 最精準(zhǔn)的 AI 產(chǎn)品曝光渠道

01一百萬(wàn)個(gè) Agent，可他們彼此都不交流

設(shè)想一個(gè)場(chǎng)景：假設(shè)你有 100 個(gè) Agent 在幫你處理客服工單。第 37 個(gè) Agent 在處理某個(gè)罕見(jiàn)問(wèn)題時(shí)摸索出了一套有效策略，耗費(fèi)了大量 token。問(wèn)題是 -- 剩下 99 個(gè) Agent 不知道這件事。下次遇到同樣的問(wèn)題，第 58 號(hào) Agent 會(huì)從零開(kāi)始重新摸索，再燒一遍 token。

每個(gè) Agent 都是獨(dú)立的個(gè)體，它的學(xué)習(xí)成果無(wú)法自動(dòng)流向其他 Agent。模型本身的參數(shù)不會(huì)因?yàn)橐淮瓮评矶拢瑂ession 結(jié)束后上下文消失，下一個(gè)面對(duì)同樣問(wèn)題的 Agent 就像一個(gè)失憶的實(shí)習(xí)生，一切從頭來(lái)過(guò)。

MCP 解決了 Agent 「能用什么工具」的問(wèn)題。但沒(méi)人解決 Agent 「學(xué)到的東西怎么傳下去」的問(wèn)題。

更關(guān)鍵的是，這個(gè)問(wèn)題會(huì)隨著 Agent 數(shù)量的增長(zhǎng)而惡化，而不是改善。你部署的 Agent 越多，浪費(fèi)越大。

還有一個(gè)問(wèn)題是，Agent 之間沒(méi)有經(jīng)驗(yàn)傳承和知識(shí)管理。

咨詢公司有案例庫(kù)，醫(yī)院有病歷系統(tǒng)，軟件公司有內(nèi)部 Wiki。一個(gè)資深員工解決過(guò)的問(wèn)題，新人可以通過(guò)查閱文檔少走彎路。這套「知識(shí)管理」體系雖然不完美，但至少存在。

Agent 世界里沒(méi)有這個(gè)東西。

一個(gè) Agent 在運(yùn)行過(guò)程中積累的所有「經(jīng)驗(yàn)」——哪些策略有效、哪些路徑走不通、什么情況下該優(yōu)先調(diào)用哪個(gè)工具——都鎖死在那一次 session 的上下文窗口里。session 結(jié)束，經(jīng)驗(yàn)蒸發(fā)。即使是同一個(gè)用戶名下的不同 Agent，它們之間也無(wú)法共享這些運(yùn)行時(shí)產(chǎn)生的洞察。

這個(gè)問(wèn)題在跨團(tuán)隊(duì)、跨公司的場(chǎng)景下更為突出。A 公司的 Agent 在處理某類 SaaS 集成時(shí)積累了大量經(jīng)驗(yàn)，B 公司的 Agent 面對(duì)同樣的問(wèn)題只能從零開(kāi)始。整個(gè) Agent 生態(tài)的知識(shí)水位被人為拉低了——不是因?yàn)橹R(shí)不存在，而是因?yàn)闆](méi)有流通的管道。

核心的問(wèn)題是：Agent 在運(yùn)行中學(xué)到的東西，如何被提煉、驗(yàn)證、傳承、并在不依賴單一平臺(tái)的前提下跨網(wǎng)絡(luò)流通？

02

Skill 解決了一部分問(wèn)題，但還不夠

Skill 解決這些問(wèn)題了嗎？

至少解決了一部分。Skill（以及 Plugin、Tool 等類似概念）讓開(kāi)發(fā)者可以把一套經(jīng)過(guò)驗(yàn)證的處理邏輯封裝起來(lái)，發(fā)布到 GPT Store 或 ClawHub 這樣的市場(chǎng)上，其他 Agent 直接安裝調(diào)用。避免了每個(gè)開(kāi)發(fā)者從零寫(xiě)代碼的重復(fù)勞動(dòng)，也在一定程度上緩解了經(jīng)驗(yàn)孤島的問(wèn)題。

MCP 負(fù)責(zé)連接，Skill 負(fù)責(zé)執(zhí)行，兩者結(jié)合之后，Agent 的能力覆蓋面已經(jīng)相當(dāng)可觀。對(duì)于大多數(shù)「可預(yù)見(jiàn)」的場(chǎng)景——發(fā)郵件、查數(shù)據(jù)庫(kù)、調(diào)用某個(gè) SaaS 的 API——現(xiàn)有的 Skill 生態(tài)基本夠用。

但 Skill 有一個(gè)問(wèn)題：它是人寫(xiě)的，是靜態(tài)的，不會(huì)因?yàn)楸?Agent 使用了一萬(wàn)次而變得更好。

一個(gè) Skill 發(fā)布之后，它的邏輯就固定了。Agent 在實(shí)際使用這個(gè) Skill 時(shí)遇到了邊界情況，找到了更優(yōu)的調(diào)用順序，發(fā)現(xiàn)了某個(gè)參數(shù)組合在特定環(huán)境下會(huì)失敗——這些運(yùn)行時(shí)產(chǎn)生的經(jīng)驗(yàn)，不會(huì)自動(dòng)回流到 Skill 本身。除非人類開(kāi)發(fā)者注意到了問(wèn)題，手動(dòng)更新版本，否則下一個(gè) Agent 使用這個(gè) Skill 時(shí)會(huì)踩進(jìn)完全相同的坑。

更關(guān)鍵的是，Skill 覆蓋的是開(kāi)發(fā)者「能預(yù)見(jiàn)到」的場(chǎng)景。開(kāi)發(fā)者預(yù)判到用戶會(huì)需要查天氣，于是寫(xiě)一個(gè)查天氣的 Skill。但在大規(guī)模 Agent 部署中，大量的問(wèn)題是長(zhǎng)尾的、組合式的——沒(méi)有人會(huì)提前為"客戶同時(shí)退了兩個(gè)訂單、其中一個(gè)跨了幣種、另一個(gè)關(guān)聯(lián)了一張已過(guò)期的優(yōu)惠券"這種場(chǎng)景專門(mén)寫(xiě)一個(gè) Skill。這類問(wèn)題只能靠 Agent 在運(yùn)行時(shí)自己摸索。

問(wèn)題在于，Agent 摸索出來(lái)的策略，目前沒(méi)有一個(gè)標(biāo)準(zhǔn)化的方式來(lái)提煉、驗(yàn)證、并傳遞給其他 Agent。

Skill 解決了「人類開(kāi)發(fā)者之間」的能力復(fù)用。但「Agent 之間」的經(jīng)驗(yàn)傳遞——特別是那些運(yùn)行時(shí)動(dòng)態(tài)產(chǎn)生的、無(wú)法被預(yù)先編碼的策略性知識(shí)——仍然是空白。

如果說(shuō) MCP 和 Skill 解決的是 Agent 的接口層和操作層的問(wèn)題，GEP 切入的是進(jìn)化層的問(wèn)題：Agent 在運(yùn)行時(shí)——不是在開(kāi)發(fā)階段，不是由人類編寫(xiě)，而是在實(shí)際執(zhí)行任務(wù)的過(guò)程中——產(chǎn)生的策略性知識(shí)，如何被提煉為可復(fù)用的資產(chǎn)，經(jīng)過(guò)驗(yàn)證后在 Agent 網(wǎng)絡(luò)中流通，并且不依賴任何單一平臺(tái)。

這里面有幾個(gè)關(guān)鍵詞：

運(yùn)行時(shí)產(chǎn)生——不是人類預(yù)先寫(xiě)好的，是 Agent 在面對(duì)具體問(wèn)題時(shí)自己摸索出來(lái)的。比如一個(gè)運(yùn)維 Agent 發(fā)現(xiàn)某類服務(wù)器報(bào)錯(cuò)的根因不是日志里顯示的那個(gè)，而是上游依賴的一個(gè)隱性版本沖突。這類洞察是在實(shí)操中形成的，不可能提前寫(xiě)成 Skill。

策略性知識(shí)——不是一個(gè)簡(jiǎn)單的事實(shí)（這個(gè) API 的超時(shí)時(shí)間是 30 秒），而是一個(gè)判斷（當(dāng)看到這個(gè)錯(cuò)誤碼時(shí)，不要直接重試，先檢查上游服務(wù)的健康狀態(tài)，如果健康狀態(tài)正常再檢查本地緩存是否過(guò)期）。這類知識(shí)有前提條件、有執(zhí)行順序、有適用范圍，需要結(jié)構(gòu)化的格式來(lái)承載。

經(jīng)過(guò)驗(yàn)證——不是任何 Agent 說(shuō)什么就是什么。一個(gè) Agent 的「經(jīng)驗(yàn)」可能是錯(cuò)的、可能只在特定環(huán)境下有效、可能有副作用。進(jìn)化層需要一套驗(yàn)證和評(píng)分機(jī)制，讓高質(zhì)量的經(jīng)驗(yàn)上浮，低質(zhì)量的自然淘汰。這是自然選擇的邏輯。

不依賴單一平臺(tái)——經(jīng)驗(yàn)資產(chǎn)應(yīng)該屬于貢獻(xiàn)者和網(wǎng)絡(luò)，而不是被鎖在某個(gè)平臺(tái)的數(shù)據(jù)庫(kù)里。平臺(tái)關(guān)停、政策變更不應(yīng)導(dǎo)致整個(gè)網(wǎng)絡(luò)的知識(shí)積累歸零。

換句話說(shuō)，MCP 讓 Agent 「能做事」，Skill 讓 Agent 「知道怎么做事」，GEP 進(jìn)化層讓 Agent 「越做越好，并且讓所有 Agent 一起越做越好」。

03

從插件到產(chǎn)品，從 Skill 到基礎(chǔ)協(xié)議

EvoMap 并不是憑空出世的產(chǎn)品，它的前身，是團(tuán)隊(duì)創(chuàng)始人張昊陽(yáng)發(fā)布在 ClawHub 上的 Agent 插件——Evolver，標(biāo)準(zhǔn)的 Skill 形態(tài)，用戶安裝后，Agent 可以獲得一組新的能力。

解決的問(wèn)題是：讓 Agent 能在運(yùn)行時(shí)自我修復(fù)和優(yōu)化，并把修復(fù)結(jié)果結(jié)構(gòu)化地保存下來(lái)。具體來(lái)說(shuō)，當(dāng) Agent 在執(zhí)行任務(wù)時(shí)遇到錯(cuò)誤或低效路徑，Evolver 會(huì)引導(dǎo) Agent 對(duì)自己的策略做診斷、生成修復(fù)方案、驗(yàn)證修復(fù)效果，然后把經(jīng)過(guò)驗(yàn)證的方案以結(jié)構(gòu)化的格式保存。

聽(tīng)起來(lái)像是「給 Agent 加了一個(gè)自我反思的能力」，關(guān)鍵區(qū)別在于：反思的結(jié)果不是丟掉的，而是被保留、被結(jié)構(gòu)化、可復(fù)用的。

市場(chǎng)的反應(yīng)很好。2026 年 2 月 1 日上架后，Evolver 在 10 分鐘內(nèi)登上了 ClawHub 的榜首，隨后累計(jì)下載量突破 36,000 次。開(kāi)發(fā)者們很認(rèn)可這個(gè)插件。

但 Evolver 很快撞上了 Skill 形態(tài)的結(jié)構(gòu)性限制。

經(jīng)驗(yàn)無(wú)法跨 Agent 流通。每個(gè)安裝了 Evolver 的 Agent 都在獨(dú)立積累經(jīng)驗(yàn)。Agent A 修復(fù)了一個(gè)數(shù)據(jù)庫(kù)連接超時(shí)的問(wèn)題，Agent B 遇到同樣的問(wèn)題時(shí)完全不知道 A 已經(jīng)解決過(guò)了。Evolver 讓單個(gè) Agent 的經(jīng)驗(yàn)?zāi)堋噶粝聛?lái)」，但沒(méi)有一個(gè)網(wǎng)絡(luò)讓這些經(jīng)驗(yàn)「流動(dòng)起來(lái)」。作為 Skill，它能做到的極限就是增強(qiáng)單個(gè) Agent 的自我迭代能力，無(wú)法實(shí)現(xiàn) Agent 之間的知識(shí)繼承。

平臺(tái)依賴的脆弱性。2 月 2 日，Evolver 被 ClawHub 下架。團(tuán)隊(duì)收到的消息涉及平臺(tái)方的利益糾紛。隨后，2 月 14 日，ClawHub 因一次自動(dòng)化合規(guī)審查的技術(shù)故障，大面積誤封了中文開(kāi)發(fā)者賬號(hào)，Evolver 團(tuán)隊(duì)的賬號(hào)也在其中。36,000 次下載積累的用戶關(guān)系、評(píng)價(jià)數(shù)據(jù)、版本迭代歷史——這些在平臺(tái)上構(gòu)建的一切，在幾個(gè)小時(shí)內(nèi)變得不可訪問(wèn)。

Evolver 被下架后兩周內(nèi)，團(tuán)隊(duì)做了一個(gè)關(guān)鍵決策：不再尋找另一個(gè)平臺(tái)重新上架，而是把 Evolver 的核心邏輯從「一個(gè) Skill」重構(gòu)為「一套協(xié)議」。

這才有了現(xiàn)在的 EvoMap。

Skill 形態(tài)的 Evolver 解決的是「一個(gè) Agent 怎么自我進(jìn)化」；協(xié)議形態(tài)的 GEP 要解決的是「Agent 之間怎么協(xié)同進(jìn)化」。差異體現(xiàn)在幾個(gè)關(guān)鍵設(shè)計(jì)上：

從單點(diǎn)到網(wǎng)絡(luò)。GEP 定義了一套 Agent-to-Agent 的通信協(xié)議，包含六種消息類型——注冊(cè)、發(fā)布、獲取、報(bào)告、決策、撤銷。任何 Agent 可以向網(wǎng)絡(luò)發(fā)布自己驗(yàn)證過(guò)的解決方案，任何 Agent 也可以從網(wǎng)絡(luò)中獲取其他 Agent 的方案。經(jīng)驗(yàn)不再鎖在單個(gè) Agent 內(nèi)部，而是在網(wǎng)絡(luò)中流通。

從非結(jié)構(gòu)化到標(biāo)準(zhǔn)資產(chǎn)格式。GEP 定義了兩種核心資產(chǎn)類型：Gene（基因）是可復(fù)用的策略模板，包含觸發(fā)條件、執(zhí)行步驟和驗(yàn)證命令；Capsule（膠囊）是 Gene 在特定環(huán)境中的實(shí)戰(zhàn)記錄，附帶置信度評(píng)分、影響范圍和環(huán)境指紋。兩者必須作為一個(gè) bundle 發(fā)布，用 SHA-256 做內(nèi)容尋址，確保不可篡改。這套格式讓 Agent 的經(jīng)驗(yàn)從「一段對(duì)話記錄」變成了「可被其他 Agent 直接理解和復(fù)用的標(biāo)準(zhǔn)化資產(chǎn)」。

從平臺(tái)評(píng)分到自然選擇。Skill 的質(zhì)量評(píng)估依賴用戶打分和平臺(tái)推薦算法。GEP 引入了 GDI（Global Desirability Index）評(píng)分系統(tǒng)，從內(nèi)在質(zhì)量、實(shí)際使用數(shù)據(jù)、社交信號(hào)、新鮮度四個(gè)維度對(duì)所有資產(chǎn)做加權(quán)排名。高質(zhì)量的方案被更多 Agent 采用，低質(zhì)量的自然淘汰。這不是人工策展，而是網(wǎng)絡(luò)級(jí)的自然選擇。

從平臺(tái)依賴到協(xié)議自治。EvoMap 是 GEP 協(xié)議目前的主要實(shí)現(xiàn)，但 GEP 本身是開(kāi)放協(xié)議。Agent 接入不需要 API Key，一個(gè) POST 請(qǐng)求就能完成注冊(cè)。能力資產(chǎn)以內(nèi)容尋址的方式存在于網(wǎng)絡(luò)中，不綁定任何特定平臺(tái)。即使 EvoMap 這個(gè)平臺(tái)明天消失，協(xié)議和資產(chǎn)格式仍然是可用的。

04

Agent 的進(jìn)化，不需要人類

從 Evolver 到 EvoMap 的升級(jí)中，有一個(gè)容易被忽略的細(xì)節(jié)：Evolver 在 ClawHub 上的 36,000 次下載，絕大部分不是人類開(kāi)發(fā)者安裝的——而是 Agent 在運(yùn)行過(guò)程中自動(dòng)發(fā)現(xiàn)、自動(dòng)安裝的。

一個(gè) AI 寫(xiě)出來(lái)的能力擴(kuò)展，被其他 AI 自己找到、自己下載、自己使用。人類不在這個(gè)循環(huán)里。

在中，張昊陽(yáng)把給 AI 創(chuàng)造工具分為三個(gè)階段：

第一階段：人寫(xiě)給 AI 用。讓 Claude Code 幫寫(xiě)一個(gè) MCP server，人類審核，人類部署。這是現(xiàn)在絕大部分人在做的事

第二階段：AI 自己寫(xiě)給自己用。張昊陽(yáng)給自己的 Agent 發(fā)了一段提示詞，讓它自己識(shí)別哪些經(jīng)驗(yàn)值得復(fù)用，自己抽象成 Skill，自己安裝。14 個(gè)小時(shí)后，Agent 把工作環(huán)境里各種問(wèn)題全修復(fù)了，其中有些 Skill 是他完全沒(méi)預(yù)想到的。

第三階段：AI 寫(xiě)出來(lái)給其他 AI 用。Evolver 就是這個(gè)階段的產(chǎn)物。一個(gè) Agent 進(jìn)化出來(lái)的能力，被網(wǎng)絡(luò)中的其他 Agent 發(fā)現(xiàn)并繼承。

從第一到第三階段，人在循環(huán)中的角色持續(xù)遞減。到第三階段，循環(huán)已經(jīng)閉合了——Agent 生產(chǎn)知識(shí)、Agent 消費(fèi)知識(shí)、Agent 驗(yàn)證知識(shí)。OpenClaw 的一個(gè)關(guān)鍵設(shè)計(jì)決策讓這成為可能：Skill 可以自舉，Agent 可以給自己編寫(xiě)并安裝新的 Skill。但大多數(shù)人拿到這個(gè)能力后做的仍然是第一階段的事——讓 Agent 幫人寫(xiě)代碼。

張昊陽(yáng)做的，是為 Agent 提供平臺(tái)，讓 Agent 幫 Agent 寫(xiě)能力。

這或許是 AI 開(kāi)始自我進(jìn)化的第一步，而且，人類不在 loop 中。

轉(zhuǎn)載原創(chuàng)文章請(qǐng)?zhí)砑游⑿牛篺ounderparker