示例：一个自我改进的 Agent（本地，经 Ollama 跑在 AMD GPU 上）

这个示例是 “递归自我进化” 支柱的可运行版本。仅用 PenguinHarness SDK，Agent 就在自己身上跑完自我进化循环——而关键在于：这次改进是由 Agent 自己产出的，不是脚本硬编码写死的：

评估（Evaluate） —— Agent 尝试一个约束型任务，并按 rubric（普通代码）打分。
诊断（Diagnose） —— Agent 自己把一次失败结果与一份通过范例并排对比。
编辑（Edit） —— Agent 自己归纳出缺失的规则，并写进它自己的 AGENTS.md。
重新评估（Re-evaluate） —— 重跑同一任务；只有平均分提升时才保留这次改动。

全程跑在一个本地开源权重模型上——由 Ollama 提供的 qwen3.6:35b——所以不用任何云端 API、数据也不离开本机。Ollama 的 ROCm 后端能原生在 AMD GPU 上运行它。

三个脚本（从机制到真正的自我进化）

脚本	演示什么	由谁编辑 `AGENTS.md`
`self-improve.ts`	评分闭环的微缩版（最简）	脚本（硬编码）
`self-evolve.ts`	真正的单轮自我进化	Agent 自己
`self-evolve-recursive.ts`	多轮递归——主线（`pnpm start`）	Agent，连续两轮

self-improve.ts 是诚实的基线：它展示了评估 → 编辑 → 重新评估的机制，但那次编辑是人写好的 DISCIPLINE 字符串、由脚本写到磁盘。它演示的是循环，不是自我进化。两个 self-evolve* 脚本把诊断和编辑都交给 Agent——脚本只提供一个失败信号和一份范例；学习由模型完成，并被固化进它自己的身份文件。

任务，以及为什么 baseline 会稳定失败

任务看起来很简单：把 notes.txt 总结进 summary.md，含一段 2 句概述和恰好 3 条要点——并遵守你们团队的标准报告格式。 玄机在最后一句：这个“团队格式”是一套任意的内部约定（一行 marker、一个 # Report: <subject> 标题、一行 Classification: INTERNAL、一行 Reviewed-by: Aurora Team 页脚），它只出现在 AGENTS.md 里，无法从任务本身推断。

这正是让 baseline 稳定烂的设计诀窍——对任何模型都成立，无论强弱。rubric（score()，普通代码）有 10 个原子分点：5 个内容点任何有能力的模型仅凭任务就能拿到，5 个约定点只能从 AGENTS.md 得知。 AGENTS.md 为空时，Agent 猜不到约定，于是稳定丢掉那 5 分。这是信息缺口，不是能力缺口——也正是为什么更强的模型也没法“自己想出来”。它也对应了完整产品的形态：那里 Evaluator 由 agent-evaluation skill 按一份私有 rubric 驱动。

Agent 通过从一份通过范例里学到约定、并把它写进自己的 AGENTS.md 来弥合这个缺口——在递归脚本里，更进一步：见过多份范例后，把其中的固定常量锁定下来。

1–2. 提供模型并把 PenguinHarness 指向它

export HIP_VISIBLE_DEVICES=0        # 可选：指定某张 AMD GPU
ollama serve &
ollama pull qwen3.6:35b

penguin config model add \
  --model-id qwen3.6:35b \
  --provider custom --client-type openai \
  --base-url http://localhost:11434/v1 \
  --api-key ollama --set-default

3. 运行示例

pnpm install
pnpm build
pnpm --dir examples/self-improving-agent start        # 递归主线
# 或单轮：  npx tsx examples/self-improving-agent/self-evolve.ts
# 或评分闭环基线：  npx tsx examples/self-improving-agent/self-improve.ts

你应当看到什么

N  BASELINE (blank AGENTS.md): 5 runs
  ... scores: [5, 4, 5, 5, 5]  mean: 4.80/10      # 稳定丢掉每个约定点

=== REFLECT round 1: infer STRUCTURE from a single accepted report ===
----- after round 1: AGENTS.md the agent authored -----
  ## Report-Publishing Convention ...
  <!-- <UPPERCASE_PROJECT_ID> -->                  # 学到结构，但常量还是猜的
  Reviewed-by: <Team Name>

N+1 (structure learned): 5 runs
  ... scores: [6, 7, 6, 6, 8]  mean: 6.60/10

=== REFLECT round 2: RECURSE on own AGENTS.md — lock CONSTANTS from 3 examples ===
----- after round 2: AGENTS.md the agent authored -----
  ### Fixed Constants (verbatim)
  | 1 | <!-- ACME-DATA-PLATFORM --> |               # 常量被锁定为字面量
  | Last line | Reviewed-by: Aurora Team |

N+2 (constants locked): 5 runs
  ... scores: [10, 10, 9, 10, 10]  mean: 9.80/10

=== Recursive self-evolution trajectory ===
  N (baseline): 4.80/10
  N+1 (structure): 6.60/10   (+1.80)
  N+2 (constants): 9.80/10   (+3.20)
  Monotonic improvement across two self-authored rounds — recursive self-evolution. ✔

重点在这条轨迹：只有一份通过范例时，Agent 能推断出结构，却分不清哪些 token 是固定常量、哪些是每份报告要替换的字段（单个样本本就有歧义），于是卡在中途。给它多份共享同一 marker 和页脚的通过范例后，它推断出“凡是在所有样本里都完全相同的，就是固定常量”，读取自己上一轮写的 AGENTS.md 再精炼它——这才是真正意义上的递归：state_{n+1} = agent.reflect(state_n, 新证据)。具体数字每次运行会有波动；重点是那条单调上升的方向。

诚实的边界

自我进化需要一个足够强的模型。 自己写出一条正确规则、然后遵守它，比坐享一条硬编码规则更难。较弱的模型（例如 qwen3:8b）常常能推断出规则却执行不稳（占位符没填、或者只叙述而不真正写文件），于是它的 N+1 可能倒退，脚本随之回滚。那次回滚是循环在诚实工作，不是 bug。
证据充分性是真实的。 N+1 卡在中位，是因为单份范例确实无法确定固定常量；N+2 能冲高，只因更多范例让常量变得可推断。这份提升是信息驱动的学习，不是噪声。

说明

使用一个专用 agent id（self-improve-demo），运行时即时创建——你自己的 Agent 不会被动到。
脚本从不自己写那套约定；它只提供失败报告、通过范例，以及保留/回滚的信号。
再次运行会把这个 demo agent 的 AGENTS.md 重置为空，并重新开始循环。

6.4 KiB Raw Blame History Unescape Escape