Autogenesis（中文）

English | 中文

Autogenesis 是一个面向 LLM 智能体系统的自进化协议与工程化运行时。

现有不少 agent 协议（例如 A2A、MCP）对跨实体的 生命周期/上下文管理、版本追踪、以及演化过程中的安全更新接口规定不足，容易导致系统走向“大一统”的单体组合与脆弱的胶水代码。Autogenesis 的核心思路是将 “演化什么（what evolves）” 与 “如何演化（how evolution occurs）” 解耦：

• RSPL（Resource Substrate Protocol Layer）：把 prompt、agent、tool、environment、memory 建模为协议注册资源，提供显式的状态、生命周期与版本化接口。
• SEPL（Self Evolution Protocol Layer）：定义闭环的 operator 接口，用于提出（propose）、评估（assess）、提交（commit）改进，并具备可审计的 lineage 与回滚（rollback）能力。

基于 Autogenesis，系统也提供了 Autogenesis-Agent 风格的思考-行动（tool-calling）智能体，能够在执行过程中动态实例化/检索/精炼资源并持续改进。

架构图

自进化闭环概览

从机制上看，Autogenesis 支持反复迭代的闭环：

• 行动（Act）：智能体基于 LLM + 可用工具/环境产生行动与输出。
• 观测（Observe）：记录结果、轨迹、关键中间信息，以及来自环境的反馈信号。
• 优化（Optimize）：用优化器把反馈转成“可复用的改进”（提示词/解法/变量等的更新），例如 Reflection、GRPO、Reinforce++。
• 记忆（Remember）：把会话事件、总结与洞察写入记忆系统，供后续步骤/会话复用。

核心模块

• Agents（src/agent/）：决定“下一步做什么”的运行逻辑（规划、工具调用、领域 agent 等）。
• Tools（src/tool/）：暴露给智能体调用的能力（工作流工具 + 默认工具）。
• Environments（src/environment/）：可交互的有状态接口（文件系统、回测环境、浏览器/移动端环境等）。
• Memory（src/memory/）：会话/事件记忆系统，用于总结、洞察与长期状态。
• Optimizers（src/optimizer/）：自进化算法，把反馈转为可落地的更新（reflection、GRPO、Reinforce++ 等）。
• Tracing & Versioning（src/tracer/, src/version/）：记录轨迹并管理迭代产物，便于分析与复现实验。
• 配置系统（configs/, src/config/）：MMEngine 风格的组合式配置，用于一致地装配 agent/tool/env/memory/model。

设计目标

• 可组合：能在不推翻整体架构的情况下替换/扩展 agent、工具、环境、记忆、优化器。
• 可观测：结构化的 trace 与 memory event 让失败分析与改进步骤更透明。
• 可演化：通过优化器 + 持久化记忆实现迭代式改进，而不是一次性推理。

目录结构

Autogenesis/
  configs/                 # 组件组合配置（agent/tool/env/memory/model）
  src/
    agent/                 # agents
    environment/           # environments
    tool/                  # tools
    memory/                # memory systems
    optimizer/             # 自进化优化器
    model/                 # model manager + provider backends
    prompt/                # prompt templates / prompt manager
    tracer/                # tracing
    version/               # versioning
  libs/                    # 内置/引入的库
  workdir/                 # 运行产物（日志/轨迹/结果等）

实验结果

实验设置与结果汇总见 docs/empirical_studies.md（英文）。

（可选）运行 Tool-Calling Agent

前置条件： - 先在你的环境里安装好依赖 - 将 .env.template 复制为 .env，并配置一个模型提供方的 key（例如 OPENROUTER_API_KEY=...）

示例：

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

覆盖模型/输出目录：

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