Token-Efficiency

AI智能体领域充斥着各种臃肿的框架，它们承诺无所不能，却大多因自身重量而崩溃——三万行代码库、多服务编排的噩梦、以及让财务总监心惊胆战的Token账单。而GenericAgent彻底颠覆了这一剧本：它是一个仅有约3300行Python代码的种子，通过完成每一项任务来自我学习成长，最终进化为一个全系统自主智能体。凭借GitHub 10300+星标、单日增长538星的惊人速度，以及爆炸式增长的社区关注度，GenericAgent正在证明：当智能体能够自我教学时，少即是多。 本文是对GenericAgent的全面技术评测：它为何与众不同、自我进化技能树如何运作、为何能实现比竞争对手低6倍的Token消耗、以及如何部署它来控制浏览器、终端、文件系统，甚至移动设备——所有这一切都来自一个极简、可审计的代码库。 GenericAgent是什么？ GenericAgent是一个自我进化的自主智能体框架，建立在一个激进的理念之上：与其预装所有可能的能力，不如交付一个微小的种子代码，让智能体通过实际使用来生长自己的环境。每次GenericAgent解决一个新任务时，它会自动将执行路径结晶化为可重用的技能。经过几周的运行后，你的智能体实例将拥有一个独一无二的技能库，这是其他部署所没有的——真正的个性化引擎。 该项目由lsdefine开发，基于MIT许可证开源。它支持包括Claude、Gemini、Kimi和MiniMax在内的主流大语言模型提供商，并可在Linux、macOS和Windows上跨平台运行。与闭源竞争对手或单体框架不同，GenericAgent的整个核心代码可以放在一个屏幕上阅读，使其可审计、可修改、值得信赖。 项目核心数据 指标 数值 GitHub星标 10340+ 今日新增星标 538 Fork数 1173 开放Issue 40 Pull Request 22 核心代码量 约3300行 智能体循环 约100行 许可证 MIT 主要语言 Python 支持模型 Claude、Gemini、Kimi、MiniMax 核心架构：自我进化如何运作 GenericAgent的架构围绕三大革命性概念构建：原子极简主义、分层记忆和技能结晶。理解这三点是理解为何这个智能体能在规模仅为其十分之一的框架上胜出的关键。 1. 原子极简主义：9个工具，100行循环 GenericAgent没有数百个专用函数，仅暴露9个原子工具： 工具 用途 file_read 读取系统中任何文件 file_write 创建或覆盖文件 file_patch 精准的代码/文本修改 web_search 获取实时网络内容 web_execute 控制真实浏览器会话 run_command 执行任意shell命令 ask_user 人工介入确认 update_working_memory 管理短期上下文 update_long_term_memory 持久化学习到的知识 这九个原语可以组合成任何想象得到的工作流。智能体循环本身仅约100行：感知环境、规划推理、执行工具、将经验写入记忆、重复。这种极小的表面积消除了整类错误，并使系统在一个下午就能被单个开发者完全理解。 2. 分层记忆系统（L0–L4） GenericAgent实现了五级记忆层级，确保正确的知识始终在范围内，而不浪费Token： 层级 名称 内容 范围 L0 元规则 智能体行为规则和系统约束 永久 L1 洞察索引 用于快速路由的语义记忆索引 长期 L2 全局事实 随时间积累的稳定知识 长期 L3 任务技能（SOE） 特定任务类型的可重用工作流 持久 L4 会话存档 从已完成会话中提炼的记录 长程回忆 当你要求GenericAgent"把文件发到微信"时，第一次它会安装必要模块、逆向工程GUI、编写发送脚本，并将整个工作流保存为L3技能。后续请求变成一行调用——无需重新规划、无冗余推理、无Token浪费。 ...