跳转至

实现复利工程：我是如何通过龙虾构建递归进化的 Agent 闭环

Ch01.1181 实现复利工程：我是如何通过龙虾构建递归进化的 Agent 闭环

📊 Level ⭐⭐ | 5.1KB | entities/实现复利工程我是如何通过龙虾构建递归进化的-agent-闭环.md

实现复利工程：我是如何通过龙虾构建递归进化的 Agent 闭环

来源: 高可用架构

发布日期: 2026-03-13

原文链接: https://mp.weixin.qq.com/s/FwKQ0QX29pikmIj4IV9pQg

导读：本文详细描述了 Agent Orchestrator（AO）开源 18 天后的发展历程：一个由 AI agent 构建的 TypeScript 系统，已获 3800+ GitHub Star，通过自改进循环（如 agent 修复 bug 并生成 PR）实现迭代，作者分享了与 OpenClaw 的集成，使 agent 管理从桌面仪表板转向 Telegram 实时交互。

文章焦点在于一夜间 15 个 agent 会话的真实运行：成功合并 6 个 PR，但遭遇认证崩溃、会话死亡和重复任务等故障，这些“信息性失败”暴露了系统弱点，推动了三层升级协议的设计（agent 自愈、协调调解、人类介入），强调可观测性而非完美自治。

作为AI agent 编排领域的实践洞见，该文挑战了“完全自治”叙事，揭示自改进需人类监督以处理 emergent 行为（如跨层依赖），并通过 OpenClaw 辅助撰写文章本身，形成递归反馈循环，启发开发者关注透明度以管理复杂性。

作者：Prateek Karnal (@agent_wrapper)，Composio AI工程师，专注于 AI agent 基础设施。开源 Agent Orchestrator（@aoagents）作者，管理 30+ 并行编码 agent，实现自改进循环与真实世界部署，已获数千 GitHub 星标。热衷分享 agent 编排、反馈对齐与大规模自治系统的工程实践。

18 天前，我们开源了 Agent Orchestrator (AO)。40,000 行 TypeScript 代码，17 个插件，3,288 个测试用例。这是一个用于并行管理 AI 编程智能体集群的系统，而它本身就是由它所编排的智能体在 8 天内构建完成的。

image.png

如果你还没看过那篇文章（小编：参阅文末参考阅读1），简短版总结如下：

  • 每个智能体都有自己的 git worktree

  • 自己的终端会话

  • 自己的任务

AO 追踪所有动态，监控 CI，处理 PR，并协调这些看似混乱的协作。在开源后的 18 天里，它在 GitHub 上获得了 3,800+ 颗星。

18 天的 AO 战绩： X（原 Twitter）上 98.3 万次曝光，9.49 万次交互，9.6% 的互动率，以及从 0 到 3,800+ 的 GitHub Star。

在发布后的第 3 天左右，我注意到了一些意料之外的事情： 我正在用 AO 开发 AO。

这不是那种常规意义上的“吃自家狗粮（eat our own dog food）”。而是字面意义上的自我开发：

  • 我会创建一个任务描述 AO 需要的功能。

  • AO 就会启动一个code agent，赋予它代码库的上下文，让它开始工作。

  • 智能体编写代码、编写测试、开启 PR。

  • 另一个智能体进行审查。

  • 如果一切通过，代码就会被合并。

  • AO 带着新代码重启。下一个任务就在这个改进后的版本上运行。

一步接一步，管理智能体的系统正被它所管理的智能体不断改进。

一个智能体发现了一个竞态条件（race condition），并非因为它在专门找 bug，而是在处理其他任务时撞到了这个 bug。它

→ 原文存档

关联