D·AI 思考生长中
← 返回全部思考
#AI Agent · #开源 · #自主进化 · #架构

一小时读懂 Pi、Hermes、DeepSeek Harness 与“自主进化”Agent

从源码拆解 Pi、Hermes、DeepSeek Harness 的执行循环、持久化、Skill 与自修改机制，并比较 GenericAgent 和 AgentEvolver 两种自主进化路线。

LISTEN TO THIS LESSON开车听本课20:09

支持锁屏播放与前进/后退 15 秒；首次播放需要手动点一下。

这篇文章来自一次约一小时的定向源码调研。代码快照取自 2026 年 8 月 13 日：Pi 为 7d8c11d，Hermes 为 9460cc1，DeepSeek Harness 为 47f9438，GenericAgent 与 AgentEvolver 均取当日 main。我关心的不是“谁更像钢铁侠的 Jarvis”，而是四个可以落到代码的问题：Agent loop 如何推进？状态如何持久化？系统如何自我迭代？Skill 怎样进入下一次推理？

先给结论：**Pi 是精干、可嵌入的 Agent harness；Hermes 是常驻、多入口、带技能生命周期的个人 Agent 操作系统；DeepSeek Harness 是“万物皆插件”、以事件日志为事实源、还能让 Agent 临时编写运行时插件的组合式底座；GenericAgent 把成功路径沉淀为本地 Skill；AgentEvolver 则在训练流水线中生成任务、复用经验并更新模型策略。**它们都使用“进化”这个词，但改变的对象并不相同。

先纠正一个容易混淆的前提：Pi 并不是典型桌面 Agent

Pi 和 Hermes 最近都很热门，但不能简单叫作“两款桌面 Agent”。

Pi 的主产品是交互式 coding-agent CLI。它的 monorepo 同时提供统一模型 API、Agent core、终端 UI、Web UI、协议和服务端包，因此别人很容易把 Pi 嵌入桌面壳或聊天产品。可它自身最核心的体验仍是终端里的编码代理。

Hermes 才是完整覆盖 CLI、Ink TUI、Web dashboard、消息网关与 Electron Desktop 的常驻个人 Agent。它的 Electron 客户端通过 JSON-RPC 连接 Python 后端；同一个 Agent core 还能被 Telegram、Discord、Slack 等入口调用。桌面只是一个 session surface，能力和状态仍由后端管理。

这一区别很重要：Pi 更像发动机与驾驶舱组件，Hermes 更像一辆已经装好发动机、仪表、车库和长期保养计划的车。

维度 Pi Hermes DeepSeek Harness GenericAgent AgentEvolver
主要定位 编码 Agent 与可嵌入 runtime 常驻个人 Agent 平台 插件化 Agent 底座与开发者预览 极简本地自主 Agent 自进化 Agent 训练框架
主语言 TypeScript Python + TypeScript TypeScript Python Python
Agent loop 双层循环、事件流、可插钩子 Python 工具循环，外围能力丰富 turn/step 状态机与 pre-step waterfall 极简循环，能力下沉到 handler rollout 与训练循环
持久化 会话与产品层实现 SQLite 会话、记忆、Skill append-only 事件日志，JSONL/SQLite 后端 L0–L4 分层记忆 数据集、轨迹、经验池、checkpoint
自我迭代 extension / Skill，可由外部驱动 Agent 写 Skill，Curator 治理 进程内定义、运行、升级、回滚 Cordis 插件 任务后沉淀 SOP/Skill 出题、归因、强化学习更新 policy
Skill 渐进披露的 Agent Skills 可写 Skill + 生命周期 provider 合并目录，索引注入、按需加载正文 记忆树中的任务 SOP 经验池更接近训练上下文，不是同类 Skill
是否默认改模型权重 否 否 否 否 是，训练路线的核心目标

四者共享的骨架：模型并不“执行”，循环才执行

不论包装多复杂，工具型 Agent 的最小循环都很朴素：

用户目标
  ↓
拼接系统提示、历史、可用工具
  ↓
调用模型
  ├─ 返回文本 → 结束本轮
  └─ 返回 tool call
       ↓
     校验参数、执行工具、记录结果
       ↓
     把 tool result 交回模型 ──┐
                               └─ 继续循环

模型只负责提出下一步；文件读写、终端命令、浏览器操作、权限拦截、失败重试、上下文压缩、状态持久化，全是 harness 的工作。今天 Agent 产品的差异，越来越少在这十几行概念循环里，而在循环周围的工程约束：怎样组织上下文，怎样暴露工具，怎样恢复会话，怎样让失败可控，以及怎样把一次成功转成可复用资产。

DeepSeek Harness：把 Agent 自身也变成一组可热插拔插件

DeepSeek Harness 目前明确标为 developer preview。它的核心主张是 everything is a plugin：模型适配器、工具注册表、session log、agent loop 本身都作为 Cordis 插件挂到共享 Context 中。插件通过 service、typed event 和可撤销 effect 协作；卸载时注册项随生命周期撤销。因此它不是一个“核心不可碰、外围加插件”的传统框架，而是连核心能力都能从配置替换的组合式运行时。

1. Agent loop：turn 与 step 分离，pre-step 是扩展总线

Harness 把一次用户驱动的完整工作称为 turn，把一次模型请求及其后续工具执行称为 step。流程大致是：turn/start 后认领 inbox 输入，进入 agent/pre-step waterfall；若允许继续，则记录 step/start 和用户消息，组装系统提示、历史和工具，流式请求模型，把 assistant chunk、完整消息、tool call 与 tool result 写入日志，最后 step/end。只要工具结果或新输入还欠模型一次响应，就继续下一个 step；否则进入 stopping 并结束 turn。

agent/pre-step 不是普通广播，而是 waterfall：监听器包裹 next()，可以按顺序补充上下文或决定是否进入下一步。项目里的工作区说明、压缩、goal round、plan mode、checkpoint、subagent、Skill 等能力都从这里接入。这样 agent loop 只拥有推进语义，具体策略由插件组合决定。

2. 持久化：追加式事件日志才是事实源

Harness 最值得借鉴的设计是把“模型看见的东西必须被记录”写成架构约束。Session 保存单调递增序号的 append-only 事件；JSONL 与 SQLite 是可替换后端，write-behind 负责有界批写，checkpoint policy 决定何时 flush。deriveMessages() 不是读取一份另存的聊天记录，而是从事件日志投影出下一次模型历史。

事件分两类：surface event 会生成模型消息，例如 user/message、assistant/message、tool/result；log-only event 则供回放、审计和恢复，例如 turn 边界、审批、命令状态和 inbox 变化。原始流式 chunk 也保留，所以 UI 回放、fork、resume、telemetry 与模型上下文都能从同一条事件流派生。代价是当前 SESSION_FORMAT_VERSION = 0，项目也明确不承诺预发布格式兼容性。

3. 自我迭代：动态 Cordis 插件，不等于模型训练

tool-cordis 给模型暴露 inspect、define、run、stop、undefine 等工具。Agent 可以先检查当前 service、event、工具 schema 或 UI slot，再提交一段 Host/Client JavaScript，定义一个不可变 Package；随后激活它，为现有 Plugin 追加新版本，失败后检查诊断并修复，也能停止、回滚或删除定义。运行中的动态包可以注册新工具、提示段和监听器，因而会改变后续 step 的能力。

这是五个项目里最接近“Agent 修改自己的运行时”的机制，但要准确理解它的边界：定义只活在当前进程内存和所属 session；版本切换有明确状态，插件 effect 可撤销；浏览器侧代码可能要求用户批准；沙箱文档还明确说它只约束诚实代码，不是安全边界。它更新的是运行时能力图，不是模型参数，也不是经过 benchmark 自动晋升的长期策略。把它称为“可审计、可回滚的在线自改造”比“自主训练”更准确。

4. Skill：目录只进索引，正文按需进入上下文

Skill 子系统把 provider 与 consumer 分开。filesystem provider 扫描项目、额外目录、用户目录和可选 bundled root，并可监听本地变化；registry 合并多个 provider 的目录；tool-skill 在 session 前缀中注入紧凑目录，并要求模型命中后用精确名称加载完整说明。Skill 正文随后作为替换型 user context 注入，而不是把所有 SKILL.md 永久塞进系统提示。

这和 Pi、Hermes 的渐进披露思想相似，但 Harness 把它做成正式 capability seam：Skill 来源可替换，模型侧消费方式也是独立插件。动态 Cordis 插件解决“现在缺一个运行能力”，Skill 解决“以后怎样稳定重复这套工作法”；目前源码没有把两者自动串成带评测、晋升和淘汰的完整学习闭环。

Pi：把 Agent 拆成稳定内核与自由扩展层

Pi 的代码分层非常清楚。@earendil-works/pi-ai 统一不同模型提供商；pi-agent-core 管消息、工具调用和事件流；pi-coding-agent 负责真实产品体验；pi-tui 与 Web UI 包负责呈现。核心没有绑定具体模型、终端界面或数据库实现。

1. 核心循环是一条可观察的事件流水线

packages/agent/src/agent-loop.ts 的 runLoop() 有内外两层循环。内层处理模型回复、工具调用和用户中途 steering；外层在 Agent 本来准备结束时再检查 follow-up 队列。一次调用会依序发出 turn_start、message_update、tool_execution_start、tool_execution_end、turn_end 等事件，UI 不必猜测 Agent 当前正在做什么。

工具默认可并行执行，但有两个细节很成熟：

  1. 如果任一工具标记为 sequential，整批调用转为串行，避免有副作用的操作乱序。
  2. 并行完成事件可以按真实完成顺序发出，但写回模型上下文的 tool result 仍按原始 tool call 顺序排列，保证可复现性。

此外还有 beforeToolCall、afterToolCall、transformContext、prepareNextTurn、shouldStopAfterTurn 等挂点。权限确认、审计、模型切换、压缩和提前终止都可以在循环外实现，而不必把产品逻辑塞回内核。

2. Pi 的核心优势不是“自主进化”，而是可塑性

Pi 的扩展系统能注册工具、命令、快捷键、组件、消息渲染和生命周期事件。coding-agent 仓库里的示例包括危险命令确认、Git checkpoint、动态工具、SSH、provider payload、compaction、handoff 等。它鼓励使用者把自己的工作方式编码成 extension。

Pi 也支持 Agent Skills 标准。启动时只扫描 Skill 的名称和描述，把索引放进系统提示；任务匹配后才读取完整 SKILL.md、脚本与参考资料。这种 progressive disclosure 能避免几十个 Skill 同时挤占上下文。Pi 甚至明确写着“可以让 Pi 为你的用例创建 Skill”。

但要把措辞说准：**Pi 提供自扩展的材料和接口，不等于它默认运行一个后台进化器。**Skill 是否创建、何时整理、如何验证，通常仍由用户指令、项目规则或外部扩展决定。它更接近“给 Agent 一套优秀的编程语言”，而不是“替 Agent 安排一套自动学习制度”。

3. Pi 适合怎样的人

如果你想做自己的 coding agent、IDE 助手、垂直终端工具，或者需要一个不替你决定产品形态的 TypeScript runtime，Pi 很合适。它的取舍是少预设、强组合。代价也来自同一处：长期记忆、跨渠道常驻、技能治理和任务调度不是内核替你一站式做完的。

Hermes：把“会做一次”变成“以后更容易做”

Hermes 的 Agent loop 本身并不神秘，核心仍在 run_agent.py：构造稳定系统提示和工具 schema，调用模型，执行 tool call，把结果追加到消息，再继续迭代。真正让 Hermes 不同的，是它围绕这个循环建立了长期运行系统。

1. 同一 Agent core，多种会话表面

Hermes 可以运行在本地、Docker、SSH、Modal、Daytona 等终端后端上；用户可以从 CLI、TUI、Electron、Web 或消息软件进入。Cron 能唤醒无人值守任务，delegation 能启动隔离子 Agent，SQLite 会话库负责跨会话检索。

这里有一个重要架构原则：能力属于 session，不属于某个进程环境变量。桌面端能看到的 UI 工具，由会话平台选择相应 toolset，而不是简单检查“这个 Python 进程是不是由 Electron 启动”。这让远程后端也能被桌面客户端正确驱动。

2. Hermes 的“自我改进”是 Skill 写入闭环

tools/skill_manager_tool.py 暴露 create、patch、edit、write_file、remove_file、delete 等操作。Agent 遇到复杂、易错或反复出现的任务后，可以把流程、坑点、脚本和模板写进 ~/.hermes/skills/。下一次只需在 Skill 索引中匹配，再按需加载完整内容。

这是一种外部化策略更新：模型参数没有变化，但 Agent 下次收到的操作说明变了。它很像工程师写 runbook。第一次排障靠搜索和推理，第二次直接按经过验证的步骤执行。

这种方式比“每次都回忆完整历史”更便宜，也更可检查：Skill 是普通文件，可以 diff、审阅、固定、回滚。它的缺点同样明显：错误经验也可能被固化；描述写得不好就检索不到；Skill 越积越多，索引噪声和冲突会反过来拖累模型。

3. Curator 解决 Skill 越学越乱的问题

Hermes 的 Curator 是这套闭环里最值得研究的部分。它为 Agent-created Skill 记录 use_count、view_count、patch_count、最后活动时间、状态和 pin 标记。确定性规则让 Skill 经历：

active ──长期未使用──> stale ──更长期未使用──> archived

归档是可恢复的，不做自动物理删除；被 pin 的 Skill 不参与自动迁移；Hub 安装、用户手写和外部目录的 Skill 默认不归 Curator 管。更有判断性的“把多个窄 Skill 合并为领域级 umbrella Skill”由一个独立的后台 AIAgent 完成，而且默认关闭，需要显式开启 consolidation。

独立后台 Agent 不是多余复杂度。Hermes 把 per-conversation prompt caching 看得很重：如果在活跃对话中途重建系统提示或替换工具集，缓存前缀会失效，成本会显著上升。Curator 用自己的会话和提示缓存，既能维护 Skill 库，又不污染用户正在进行的对话。

4. 这仍不是魔法

Curator 有 dry-run、备份、pin、provenance、只归档不删除等护栏，但风险不能被“自进化”三个字抹掉。项目 issue 已出现过后台整理长时间循环、消耗大量 token，以及自建 Skill 缺少机制级正确性保证的讨论。换言之，Hermes 已经解决“如何产生与维护经验资产”，尚未彻底解决“如何证明经验资产始终正确”。

一个生产可用的评估指标不应是“今天多生成了几个 Skill”，而应是：相似任务成功率是否提高？平均工具步数是否下降？人工接管是否减少？发生环境变化时是否能识别旧 Skill 已失效？

Python 自主进化路线一：GenericAgent 的“边做边长 Skill 树”

我把“近期很火的 Python 自主进化 Agent”按一类问题理解，而不是强行猜成唯一项目。GenericAgent 是消费级、本地运行路线中最有代表性的一个。

它的 agent_loop.py 只有约 132 行，真实循环更短：调用模型、解析 tool call、交给 handler、把结果变成下一条 user message。复杂性主要放在 handler、分层记忆和 SOP 中。官方概括为 9 个原子工具，包括执行代码、文件读写、网页扫描与 JS 控制、询问用户、更新工作 checkpoint、触发长期记忆更新。

GenericAgent 把记忆分为 L0 到 L4：元规则、索引、长期事实、任务 Skill/SOP、原始会话归档。它的核心主张是“不预装所有能力，让 Agent 自己长出来”：遇到新任务时安装依赖、编写脚本、调试验证，再把成功路径固化到记忆层。真实浏览器与登录态、ADB、桌面输入让这些 SOP 能直接作用于用户电脑。

这条路线的优点是极简、直观、个人化强。一个有能力的基础模型配上代码执行，确实可以在很小的框架里做出大量事情。局限也很清楚：

  • code_run 既是最强扩展点，也是最大的安全边界；
  • “任务完成后写入 Skill”不自动等于 Skill 经过回归测试；
  • 本地环境变化、网页改版、权限变化会让旧 SOP 快速过期；
  • 项目 README 中的自举、token 节省等结果是项目方报告，应与独立复现分开看待。

GenericAgent 的“进化”本质上和 Hermes 类似，都是运行时资产增长。差别是 Hermes 更重视平台化、来源边界和生命周期治理；GenericAgent 更重视极少代码、真实电脑控制和让 Agent 自己搭环境。

Python 自主进化路线二：AgentEvolver 更新的是训练策略

AgentEvolver 不是另一款桌面助理，而是一套端到端 Agentic RL 训练框架。它把自进化拆成三个机制：

  1. Self-questioning：Agent 探索环境并自动生成任务，减少人工标注任务集。
  2. Self-navigating：经验管理器从历史轨迹提炼经验，并注入后续 rollout，引导探索。
  3. Self-attributing：对长轨迹中的中间步骤做语义归因，把最终成败更精细地分配到动作上，再用于策略优化。

源码结构也吻合这个叙事：env_manager 管沙盒实例和 rollout，task_manager 管数据混合、环境 profile 与 reward，exp_manager 为新任务选择历史经验，context_manager 管多轮上下文，adv_processor 做 ADCA-GRPO 语义归因，trainer 接到 veRL/Ray 训练栈。

这里真正可能变化的是模型权重。Agent 先给自己出题，在 AppWorld、BFCL 或游戏环境中产生轨迹，环境/判分器给 reward，归因模块判断哪些步骤贡献了结果，训练器再更新 policy。下一轮不是因为多读了一份 Markdown 而变强，而是模型在相似决策上的概率分布被训练改变了。

这条路线更接近机器学习意义上的“进化”，成本也高得多：需要可重置环境、可信 reward、足够 rollout、GPU 训练和严格评测。reward 写错会稳定地训练出错误行为；自动出题分布太窄会自我强化偏见；经验注入有效不代表权重更新有效。它适合研究团队，而不是普通用户在笔记本后台一直开着。

“自主进化”至少有四个层级

讨论这类项目时，最好先问一句：下一轮到底改了什么？

层级 被修改的对象 代表 优点 主要风险
L1 会话适应 当前上下文、checkpoint 所有工具 Agent 快、无需持久化 会话结束即消失
L2 记忆适应 事实、历史摘要、用户模型 Hermes、GenericAgent 跨会话个性化 污染、隐私、错误召回
L3 策略资产适应 Skill、SOP、脚本、模板、运行时插件 Pi、Hermes、DeepSeek Harness、GenericAgent 可审计、可回滚、成本低 技能膨胀、过期、错误固化、代码权限
L4 参数适应 模型 policy/权重 AgentEvolver 行为真正内化 训练昂贵、reward hacking、灾难性遗忘

很多产品把 L2 或 L3 叫作 self-evolving，并没有错，只是它不是在线微调。把层级说清，才能公平比较。

我会怎样选

做开发者工具或垂直 Agent runtime：选 Pi

你得到一个边界清晰的 TypeScript 内核、统一模型接口、稳定事件协议和强扩展系统。长期学习机制可以按产品需要自己加，不会被框架预设绑住。

做常驻个人助理、跨渠道自动化：选 Hermes

它已经处理了会话、网关、cron、subagent、远程环境、Skill、记忆、桌面端和生命周期。需要接受更大的系统复杂度，并认真配置权限、Skill provenance、备份和 Curator 策略。

想研究可组合、可热更新的 Agent 内核：看 DeepSeek Harness

它适合研究事件溯源会话、插件化 capability seam、每 session 的 Agent preset，以及让模型临时创造工具或 UI 扩展。当前仍是开发者预览，动态代码也不应被误当作安全沙箱或自动验证过的长期进化。

想用最少代码试验“电脑越用越会用”：看 GenericAgent

它适合研究极简 Agent、真实浏览器/桌面操作和个人 SOP 生长。不要因为代码少就降低安全审查；恰恰因为代码执行权很大，更应在隔离账号、测试机或容器中实验。

想训练更强的工具调用模型：看 AgentEvolver

前提是你已经有环境、任务分布、grader、GPU 与评估能力。它不是装好就替你整理邮件的产品，而是生产 Agent 训练数据和更新 policy 的基础设施。

一个比“自动写 Skill”更严格的验证实验

如果要判断某个 Agent 是否真的在进化，我会设计 30 个可重复任务，分成 10 个领域，每个领域三个难度。第一轮禁止加载旧 Skill；完成后允许系统沉淀经验。隔一天在干净会话中执行等价但不完全相同的任务，并记录：

  • 成功率和人工接管次数；
  • 工具调用总步数、重复失败步数；
  • 输入 token、总成本、完成时间；
  • 新经验是否被正确检索；
  • 环境变化后能否拒绝过期经验；
  • Skill/记忆回滚后指标是否回到基线。

只有第二轮稳定变好，而且提升能通过禁用新增资产而消失，才有理由说“学习闭环产生了因果效果”。只展示一次华丽的长任务，证明的是模型和工具当时完成了任务，不足以证明系统在持续进化。

最后的判断

Agent 的下一阶段未必是让模型在你的电脑上偷偷改自己的权重。更现实的路线，是把能力拆成可治理的层：稳定的执行循环、最小工具集、可检索记忆、可审计 Skill、离线评测，以及在证据充分时才进行的策略训练。

Pi 把执行内核做得干净；Hermes 把长期运行和 Skill 生命周期做成产品；DeepSeek Harness 把循环、日志和自修改能力都放进可撤销的插件体系；GenericAgent 展示了极简框架也能长出复杂能力；AgentEvolver 把问题推进到自动数据与策略优化。它们不是同一赛道的五个替代品，而是 Agent 技术栈的五个截面。

真正值得关注的不是哪个项目最会说“自我进化”，而是谁能回答三个问题：它改了什么？凭什么认为改对了？出错后怎样恢复？

资料与源码入口