关掉终端 AI 还在干活：这个 10k Star 开源 Agent 把自己写成了会进化的同事

金句：大多数 AI 编程助手是「用完即忘的聊天框」，而 Prime Agent 想做的是「关掉电脑也不会下班的同事」。

你有没有这种体验：凌晨两点把一个复杂 bug 交给 AI 编程助手，它答得头头是道；第二天早起你打开电脑，发现它啥也没干——上下文清空、进度归零、连昨天说过的话都不记得了。

这不是你的问题，是今天几乎所有 AI 编码 Agent 的出厂设定：它们活在单次对话里，会话一关，经验就蒸发。

但这两天 GitHub Trending 榜首出现了一个反常的东西——Prime Agent（PrimeIntellect，10.5k Star，MIT 协议，最后提交就在 8 月 9 日）。它不只想帮你写代码，它想自己改写自己的操作说明书，并且在你关掉终端之后继续干活，甚至和其他 Agent 直接聊天分工。

今天这篇文章，我想把这个「会自我进化的 Agent」拆给你看：它到底新在哪，凭什么登顶，以及它能解决你现在哪些真实痛点。

cover

它是什么：一个「自我改进」的 RLM Agent

Prime Agent 的自我定位是：A self-improving RLM agent for coding workflows and long-running autonomous tasks——用于编码工作流和长时间自主任务的、会自我改进的 RLM 智能体。

关键词是 RLM（Recursive Language Model，递归语言模型）。传统 Agent 把大模型当成一个「回答问题的人」；而 Prime Agent 的 RLM 把上下文当成变量（prompt-as-a-variable），把工具、递归子 Agent 当成函数调用，跑在一个**持久化的 REPL（交互式编程环境）**里。

一句话理解：它把「写代码、调工具、派任务」全部变成程序内部的函数调用，而不是一次次重启的聊天。

和传统编码 Agent 差在哪？

compare

今天主流的编码助手（Claude Code、Cursor、Copilot 这类）大多是「单轮对话 + 工具调用」模式：

上下文随窗口关闭而消失；
每次启动都是一张白纸，昨天的教训今天重蹈；
Agent 之间无法互相发现、互相派活；
长任务一旦断网或关终端，进度全丢。

Prime Agent 针对这四点做了结构性改动：

维度	传统编码 Agent	Prime Agent
上下文生命周期	单次会话，关窗即失	持久化 REPL + 后台守护进程
经验沉淀	无，下次从零	Continual Harness 可持久化经验
自我改进	不能改自己	`/refine` 小步修订自身操作状态
多 Agent 协作	通常单兵	子 Agent + Agent 间直连通信
长任务连续性	易中断	心跳、调度、持久目标、断线重连

注：上表为能力模型对比，非跑分榜。Prime Agent 官方 README 未给出统一 benchmark 数字。

核心一：RLM——把上下文当变量，把工具当函数

RLM 是 Prime Agent 的第一个核心抽象。它最反直觉的地方在于：prompt 不再是写死的提示词，而是一个可以被程序读取、修改、传递的「变量」；递归子 Agent 也不是另开一个聊天，而是像调用函数一样 rlm(...) 派出去，结果以编程方式返回。

底层是一个持久的 IPython 控制环境——文件操作、shell 命令、工具调用、子 Agent 调度，全通过代码完成。这意味着 Agent 的工作状态是「可编程、可检查、可回放」的，而不是一团聊天气泡。

rlm

上图是这套抽象的全貌：上层四张卡片分别对应「上下文=变量、工具=函数调用、子 Agent=rlm()、技能=Python 包」，它们全部装在同一个持久 REPL 容器里；容器下方那一层持久状态，就是下面要讲的 Continual Harness。

核心二：Continual Harness——Agent 自己改自己的说明书

这是我认为最值得写的一篇亮点，也是它「self-improving」名字的来历。

Prime Agent 有个命令叫 /refine：它会回顾当前这次任务的执行轨迹，把有价值的教训写成补充提示、记忆、可复用技能描述或子 Agent 规范，持久保存下来。

三个关键约束让它不会「越改越疯」：

只改补充状态，绝不重写底座系统提示词（immutable base system prompt 不动）；
每次修订都有证据支撑（evidence-backed updates），不是拍脑袋；
记录快照，支持回滚（recorded snapshots support rollback）。

refine

翻译成人话：它像个会写周报的新人——每次干完活，把「这次踩的坑、下次该怎么做」记进自己的操作手册，下次遇到同类任务直接调用，而且老板（你）随时能翻旧版本、一键退回。

这套机制背后有篇论文支撑：arXiv 2605.09998（Continual Harness）。也就是说，这不是营销话术，是有一条研究主线在背后的。

核心三：后台常驻 + Agent 互聊 + 子 Agent

剩下几个特性单独看不稀奇，组合起来才是「自主长任务」的骨架：

Daemon-backed continuity（守护进程连续性）：终端断开，活跃会话、IPython 状态、调度、子 Agent 继续跑，之后可以 attach 重新接上。
Agent 间直连通信：运行中的 Agent 能互相发现、发消息、互相指挥，不用所有事都过你这个「中转站」。
内置子 Agent：rlm(...) 生成真实的子 Agent 并行或后台干活，结果程序化回收。
心跳 / 调度 / 持久目标：/heartbeat、prime-agent schedule、/goal 让任务跨回合、跨终端持续推进。
有边界的自主模式：/autonomous 在配置的轮次、token、时间预算内运行，还能挂用户自定义质量门禁。

features

3 分钟上手

安装（macOS / Linux）：

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

在你想让它工作的目录启动：

cd /path/to/project
prime-agent

首次运行 /login 选择订阅或 API Key 提供商。常用命令：

prime-agent agents      # 查看正在跑 / 空闲 / 已保存的会话
prime-agent attach <agent>   # 重新接上某个后台会话
prime-agent --resume <path|id>  # 恢复保存的会话
prime-agent schedule    # 定时把某个会话在特定时间唤起
prime-agent shutdown --force   # 停掉所有 agent 与后台服务

一个真实场景

假设你让 Prime Agent「把这套后端服务的测试覆盖率从 40% 提到 80%」。

传统 Agent：你下班前交代，它跑一半你睡着了；第二天起来，终端关了，它什么都没留下，你还得重说一遍需求。

Prime Agent：它开着守护进程在后台推进，凌晨三点跑完一轮测试、发现三个薄弱模块，用 /refine 把「这个项目测试薄弱点集中在 X/Y/Z」写进自己的持久状态；你早上 attach 接上，它已经在等你确认下一步。下次你再让它做类似项目，它直接复用这条经验。

这就是「会进化的同事」的含义：经验不随会话消失，反而越用越懂你。

坑点与注意事项

它不是安全沙箱。官方明确警告：Prime Agent 以你的用户权限执行模型生成的 Python 和项目命令，worker/kernel 提升了隔离与恢复能力，但不是沙箱。只在可信仓库、可信指令下运行，不可信代码请放到外部沙箱。
自主模式有预算边界：/autonomous 的「到达上限」不等于「任务成功」，只是停在了预算线，质量门禁需要你自己定义。
还在快速迭代：目前 v0.7.1（2026-08），API 与命令可能变动，生产落地建议锁定版本。
目前主力在 macOS / Linux：安装脚本面向这两类系统，Windows 用户需自行评估。

最适合谁用？

做长时间、多步骤研究 / 编码任务的人（论文复现、大型重构、长程 eval）；
想让 Agent 跨会话保留经验、避免重复踩坑的团队；
需要多个 Agent 分工协作、而不是单兵作战的复杂工作流。

如果你是「问一句答一句」的轻量用户，它目前的复杂度可能略重；但如果你正被「AI 用完即忘」反复折磨，它就是对症的药。

本文重点回顾

Prime Agent 是 GitHub Trending 榜首的自我改进 RLM Agent（10.5k Star，MIT）；
它用 RLM 把上下文当变量、工具当函数，跑在持久 REPL 里；
/refine + Continual Harness 让 Agent 写自己的经验手册，且可回滚；
守护进程 + Agent 互聊 + 子 Agent 撑起真正的长任务连续性；
它不是沙箱，跑模型生成代码需谨慎——这是能力，也是边界。