自生系统

英语 | 中文说明

自生系统是一种基于大语言模型的智能体系统的自我进化协议与运行时框架。

近年来，许多智能体协议在实体间的生命周期/上下文管理、版本跟踪以及安全的进化更新接口方面定义不够充分，这往往导致系统呈现单体式架构，并产生脆弱的胶水代码。自生系统通过将“什么会进化”与“如何进化”解耦来解决这一问题：

• RSPL（资源基质协议层）：将提示词、智能体、工具、环境和记忆建模为经过协议注册的资源，这些资源具有明确的状态、生命周期以及版本化的接口。
• SEPL（自我进化协议层）：定义了一个闭环的操作者接口，用于提出、评估并提交改进方案，同时提供可审计的 lineage 和回滚机制。

基于自生系统构建的体系中包含一种自生智能体风格的工具调用型智能体，它能够在运行过程中动态实例化/检索/优化资源，并持续自我改进。

架构

自我进化的概览

从高层次来看，自生系统支持一个迭代循环：

• 行动：智能体利用大语言模型及可用的工具和环境生成动作或输出。
• 观察：捕获结果、追踪日志、中间推理过程以及环境反馈。
• 优化：使用优化器（例如反思或强化学习类方法）更新提示词、解决方案或变量。
• 记忆：将总结、洞见和记录持久化存储到记忆系统中，以供后续步骤和会话使用。

核心组件

• 智能体（src/agent/）：负责决策“下一步做什么”的运行时逻辑，包括规划、工具调用、领域专用智能体等。
• 工具（src/tool/）：向智能体开放的可调用能力，涵盖工作流工具和默认工具。
• 环境（src/environment/）：工具和智能体可以交互的状态化接口，如文件系统、交易回测环境、浏览器/移动端环境等。
• 记忆（src/memory/）：用于摘要、洞察和长期状态的会话级/事件级记忆系统。
• 优化器（src/optimizer/）：将反馈转化为更新后的提示词、解决方案或变量的自我改进算法，例如反思、GRPO、Reinforce++ 等。
• 追踪与版本管理（src/tracer/、src/version/）：记录执行轨迹，并管理跨次运行中的迭代产物。
• 配置系统（configs/、src/config/）：采用 MMEngine 风格的配置，实现智能体、工具、环境、记忆和模型的一致性组合。

设计目标

• 可组合性：无需重写整个系统即可添加或替换智能体、工具、环境、记忆系统和优化器。
• 可检查性：结构化的追踪日志和记忆事件使得分析失败原因和改进步骤更加便捷。
• 可进化性：明确的优化器结合持久化记忆，支持迭代式的优化而非一次性推理。

仓库布局

Autogenesis/
  configs/                 # 配置组合（智能体/工具/环境/记忆/模型）
  src/
    agent/                 # 智能体
    environment/           # 环境
    tool/                  # 工具
    memory/                # 记忆系统
    optimizer/             # 自我进化优化器
    model/                 # 模型管理器 + 提供商后端
    prompt/                # 提示词模板 / 提示词管理器
    tracer/                # 追踪
    version/               # 版本管理
  libs/                    # 第三方库
  workdir/                 # 运行时产物（日志、追踪、结果等）

实证研究

有关实证结果和基准测试协议，请参阅 docs/empirical_studies.md。

可选：运行一个工具调用型智能体

先决条件：

• 在您的环境中安装依赖项
• 将 .env.template 复制为 .env，并设置模型 API 密钥（例如 OPENROUTER_API_KEY=...）

示例：

python examples/run_tool_calling_agent.py --config configs/tool_calling_agent.py

覆盖模型和工作目录：

python examples/run_tool_calling_agent.py \
  --config configs/tool_calling_agent.py \
  --cfg-options model_name=openrouter/gpt-4o workdir=workdir/demo tag=demo

DeepResearchAgent (Autogenesis) 快速上手指南

DeepResearchAgent（基于 Autogenesis 架构）是一个面向大语言模型（LLM）智能体系统的自进化协议与运行时框架。它通过解耦“进化内容”与“进化方式”，支持智能体在执行过程中动态实例化、检索和优化资源。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (WSL 推荐)
• Python 版本：建议 Python 3.9 或更高版本
• 依赖管理：pip 或 conda
• API 密钥：需要一个大模型服务商的 API Key（如 OpenRouter, OpenAI 等）

安装步骤

1. 克隆仓库

   git clone <repository-url>
   cd Autogenesis
   

   (注：如有国内镜像源，可在此处使用 git clone https://gitee.com/... 加速)

2. 安装依赖

   pip install -r requirements.txt
   

   (若国内下载缓慢，推荐使用清华或阿里镜像源：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple)

3. 配置环境变量 复制模板文件并填入您的模型 API Key：

   cp .env.template .env
   

   编辑 .env 文件，设置对应的密钥，例如：

   OPENROUTER_API_KEY=your_api_key_here
   

基本使用

完成配置后，您可以运行内置的“工具调用智能体”示例来体验系统的基础功能。

1. 运行默认示例

使用默认配置文件启动智能体：

python examples/run_tool_calling_agent.py --config configs/tool_calling_agent.py

2. 自定义模型与工作目录

您可以通过命令行参数覆盖默认模型和工作目录配置：

python examples/run_tool_calling_agent.py \
  --config configs/tool_calling_agent.py \
  --cfg-options model_name=openrouter/gpt-4o workdir=workdir/demo tag=demo

运行说明：

• Act (行动)：智能体将利用 LLM 和可用工具执行任务。
• Observe (观察)：系统会自动捕获执行结果、轨迹及环境反馈。
• Optimize (优化)：基于反馈自动更新提示词或解决方案。
• Remember (记忆)：关键洞察将被持久化存储以供后续会话使用。

运行产生的日志、轨迹和结果将保存在指定的 workdir 目录中。