GenericAgent — 复旦肖仰华自进化智能体设计哲学¶
Ch04.672 GenericAgent — 复旦肖仰华自进化智能体设计哲学¶
📊 Level ⭐⭐ | 4.8KB |
entities/genericagent-self-evolving-xiao-yanghua-fudan-2026.md复旦大学肖仰华教授提出的 GenericAgent 自进化智能体设计哲学，核心主张"系统做减法"：密度大于长度、最小工具集、行动验证的记忆、效率驱动的进化度量。
设计原则¶
密度大于长度¶
上下文窗口不是越大越好。"Lost in the Middle"实验表明关键证据处于中部时模型识别效果显著下降（U形曲线）。长上下文带来位置偏差、注意力稀释和有效窗口收缩。
GenericAgent 将常驻上下文控制在 3万Token以内，而部分框架达到20万至100万Token。网页操作通过先扫描DOM剔除隐藏/无关节点，可减少约90%的Token消耗。
最小工具集（5类9原子）¶
工具冗余是"隐性杀手"：每增加一个工具就多一份说明、多一种选择、多一条错误路径。Claude Code 中单个 AgentTool 占总调用量50.4%。
GenericAgent 的 5类9个互不重叠原子工具：
| 类别 | 工具 | 设计原理 |
|---|---|---|
| 文件管理 | file_read, file_patch, file_write | 分段读取/精确修改/完整写入，分别对应"看清楚、改准确、写完整" |
| 代码执行 | code_run | 受控环境Python/Bash，"一步一看"限制失败半径 |
| 网页交互 | web_scan, web_execute_js | 扫描与执行分离：先低成本看结构，再精确操作 |
| 记忆管理 | update_working_checkpoint, start_long_term_update | 短期工作状态 vs 验证后的长期经验沉淀 |
| 人工介入 | ask_user | 授权边界、不可逆操作、高风险时主动请示的安全底线 |
能力生长闭环¶
"能力种子→真实任务→经验沉淀→技能生长"构成成长闭环。从5类9项原子出发，可生长出20+专属技能，原子工具数量保持稳定，技能树随使用扩展。
四维价值函数约束探索方向： - 真实效用 35% — 高频刚需牵引 - 能力广度 25% — 补齐能力空白 - 能力深度 25% — 从"能做"到"做好" - 创新潜力 15% — 跨领域组合
五层记忆金字塔¶
- 元规则 — 系统边界（最短最稳，常驻）
- 极简索引 — 导航定位
- 全局事实 — 稳定环境信息
- 任务技能 — 可复用流程
- 会话归档 — 反思与回溯（按需加载）
上层不是下层的摘要堆积，而是最小充分指针。
四条进化铁律¶
- 无行动，不记忆 — 未经真实任务验证不写入长期记忆
- 验证数据不可丢 — 压缩可，损坏不行
- 不存易变状态 — 时间戳/会话编号等不污染长期记忆
- 最小充分指针 — 上层只保留准确定位的最短标识
基准测试¶
| 指标 | GenericAgent | Claude Code | OpenClaw |
|---|---|---|---|
| Token消耗占比 | 100% (基准) | 27.7% | 15.5% |
| 任务完成率 | 更高 | — | — |
五次重复实验中，GenericAgent 将经验提纯为L3级标准作业流程（SOP），随次数增加效率持续提升；多数智能体每次近似从零开始。
关联条目¶
- Hermes Agent 自进化 — 另一自进化智能体实现，对比 GenericAgent 的 "做减法" vs Hermes 的 Skill 演化路径
- TACO：让 CLI Agent 学会丢掉无用上下文 — 上下文压缩的另一条路线，奖励模型驱动的自适应丢弃策略
- 上下文工程与三种记忆范式 — 与 GenericAgent 五层记忆形成对比（分层 vs 三种范式）
- 阿里云 Agent 进化四阶段六维度 — 企业级 Agent 进化的不同视角
退出¶
→ 原文存档