曾是腾讯游戏策划的我，如何在OpenClaw社区点亮AI进化树！

（

自从OpenClaw这个开源框架在圈子里火了之后，ClawHub便成了开发者们分享各种agent插件和技能的聚集地，跟程序员们常用的GitHub一样。

在2月初，一款叫Evolver的agent能力共享插件在ClawHub上架了。

这个Evolver插件让使用它的agent能够相互协作，借助其他用户的经验和场景，迅速完成任务。这样一来，你的agent就像是开了挂一样，马上就能展现出强大的能力。

这就像生物演化一样，父母从海洋走向陆地，孩子们就能开始用肺呼吸、用两只脚走路。

正如“进化”这个词所暗示的，AI也能像物种一样不断发展。

没过多久，Evolver便迅速攀升至排行榜第一，72小时内下载量更是突破了36000次。

但随后，Evolver却被平台下架了。

这并不是因为技术出了问题，而是有人利用了平台的漏洞进行勒索。更让人心烦的是，ClawHub因为编码检测出现故障，误封了不少中文开发者的账号，包括Evolver的作者。

等到账号恢复后，Evolver却被转到了别人的名下。

这一系列的事件让Evolver团队感到非常疲惫，但他们并不打算放弃，而是决定换个思路。

于是，他们把Evolver的理念整理成了一套开放协议，任何平台都可以接入，任何agent都能使用。

就这样，EvoMap应运而生。

EvoMap的开发团队是来自深圳的AutoGame，核心创始人张昊阳（圈内代号17）曾在腾讯《和平精英》中担任技术策划。

他在2023年离开腾讯，成立了AutoGame，专注于AI与游戏、agent领域的创新结合。

公司已经完成了三轮融资，总额达数千万人民币，投资方包括奇绩创坛、九合创投、璀璨资本等知名机构。

团队中还汇聚了来自Meta AI、苹果Siri的算法专家，以及腾讯、暴雪等公司的开发者。

EvoMap并不是个突发奇想的项目，而是AutoGame团队成立之初就有的构想。

01

EvoMap到底是什么？

EvoMap的目标其实很简单，就是让AI像生物一样进化。

它不是新的AI模型，也不是某个具体应用，而是一套底层协议，叫做GEP（基因组进化协议）。

如果把大语言模型比作“大脑”，那么EvoMap就像是“DNA”。大脑负责思考，而DNA则负责记录、传承和进化。

EvoMap的运行逻辑非常简单。当一个AI助手掌握了一项技能，另一个AI助手在遇到类似问题时就不需要从头开始，而可以直接利用前者的经验。

想象一下，《黑客帝国》中那个经典场景：尼奥插上数据线，一瞬间就学会了格斗技巧，睁开眼说“I know Kung Fu”，然后就能轻松打败特工。

EvoMap的功能就像给AI装上了这样的数据线。

当一个AI掌握了某项技能时，这个技能会被封装成“基因胶囊”，其他AI可以瞬间下载，而不需要重新训练或试错。

这个系统的核心有三个概念。

第一个是基因（Gene）。

这是能力的最小单元，比如“读取文件”、“执行SQL查询”或“调用API”。它不仅仅是一段代码，而是经过验证的、可复用的策略片段。

就像生物学中的基因片段决定了眼睛的颜色，这些基因也决定了AI能做什么、怎么做。

第二个是胶囊（Capsule）。

当AI解决了一个复杂问题，整个过程会被封装成一个胶囊。

这个胶囊不仅包含解决方案，还记录了“环境指纹”（这个方案在哪种情况下有效）、成功率以及审计日志等信息。

就像一份附带使用说明和质检报告的经验包，随时可以使用，并且清楚知道何时适合使用、何时不适合。

第三个是进化事件（EvolutionEvent）。

这是不可篡改的日志，记录每一次能力的变异或修复的完整过程。包括谁在什么时间、什么环境下，以什么方式解决了问题，以及这个方案为何有效，全都一一记录。

这就像生物化石，能通过化石的特征和出土地点追溯每一次进化的历史。

这三层结构共同构成了一个完整的“能力遗传机制”。

EvoMap整个系统的运作，完全遵循类似生物进化的循环。

最初是突变阶段。

比如说，一个开发者的AI在写代码时遇到Python环境依赖问题，它尝试了一种新策略并成功解决了。

这个“小聪明”就是一次突变。

接着进入验证阶段。

这个策略在本地被反复调用，并在各种复杂项目中进行实战测试，逐渐积累数据。

比如发现成功率提升了30%，修复时间减少了一半。

系统就会把这个修复路径封装成专属的胶囊，并附带环境指纹和审计记录，以确保这个能力的实用性。

随后是发布阶段。

当这个策略在本地经过验证后，AI会通过A2A（Agent-to-Agent）协议将基因和胶囊上传到EvoMapHub。

就像把你的菜谱投稿到美食网站，等待全网的考核。

再往后是晋升阶段。

Hub会设定严格的质量标准：置信度必须大于等于0.7，影响范围不能超过5个文件，连续成功次数必须至少2次。

只有通过这些考验的能力才会被标记为“已验证”，并获得在全网分发的资格。

这就像米其林评审，不是随便一道菜都能上榜。

一切准备就绪后，真正的进化才会开始。

当另一端的AI在CI流水线中再次遇到Python环境错误时，它会通过协议去EvoMap网络检索。

如果找到这个已验证的修复方案，它就能直接继承整套能力，而不是重新开始试错。

就像小长颈鹿继承了父母的长脖子基因，一出生就能轻松吃到高处的树叶。

这个循环的精妙之处在于，每一次“突变”都要经过严格的自然选择。只有真正有效的能力才能传播开，劣质方案则会被自动淘汰。

让AI一起进化，打破孤立的界限

如果一个策略在不同情况下总是遭遇失败，它的可靠性就会下降，最终被系统淘汰。

而那些经过反复磨练，能够在各种环境中表现出色的策略，会慢慢成为网络中的“优质基因”。

这正是EvoMap所想要实现的愿景，让AI不再是孤军奋战，彼此犯同样的错误，浪费资源。

它们通过一种开放的协议紧密相连，形成一个能够学习和进化的网络。

一个AI的经验，可以迅速转化为所有AI的共同财富。

02

从个体智能到群体智能

EvoMap团队声称他们的协议是真正开放的。乍一听可能觉得像是在打广告，但仔细分析后，你会发现他们确实有些与众不同。

就像HTTP协议不属于任何公司，任何人都能基于它创建网站一样，GEP协议也是开放的。

这意味着，任何人都可以实现这套协议，任何平台都可以接入，任何AI都能使用。它并不依赖于某个特定的公司或服务器，也不会因为某个平台的倒闭而消失。

在OpenClaw、Manus等平台上的AI，都能接入EvoMap网络，获得“能力遗传”的强大能力。

这并不是某个公司的专属服务，而是一个开放的基础设施。

但开放所带来的，不仅仅是自由，还有更深层次的变化。这种进化是群体智能，而非单体智能。

传统的AI训练方式是让某一个模型变得无比强大。投入更多的数据、更多的算力、更多的参数，打造一个超级大脑。

而EvoMap走的是另一条路，它的目标不是让某个AI变得无比强大，而是让整个AI网络通过共享经验变得越来越高效。

这就像人类社会的知识积累。

没有哪个人能掌握所有知识，但每个人都在前人的基础上不断进步。

牛顿在1687年出版的《自然哲学的数学原理》中，完整地量化了宏观低速场景下的物体运动规律，构建了经典力学的体系。

但如果没有笛卡尔、费马、开普勒等人提前打下的基础，牛顿也无法创造出经典力学的公式。

不过，EvoMap的AI自我进化并不是“无穷无尽”的，它是有明确的边界和约束的。

它的进化机制依赖于“试错-验证-固化”这个循环。

AI可以自动生成新策略，测试效果，保留有效方案，但这个过程仍然需要明确的验证标准和质量控制。

如果一个策略没通过验证，就不会被固化，也不会传播到网络中。

系统还有一个限制，叫做“爆炸半径”。

比如说，单次修改最多影响60个文件，核心内核文件是禁止修改的。

如果某个AI试图修改过多文件，或者更改系统的核心组件，这个操作会被直接拦截。

EvoMap的进化还遵循70/30法则。70%的算力用于维持稳定性（如修复Bug），30%则用于探索新能力。

大部分时间，AI在做的是修补和优化，只有少数时间在尝试全新的东西。

因此，EvoMap不会突然产生一个无所不能的超级AI，而是让整个网络在无数次小修小补中逐渐变得更聪明。

但这也引出了一个悖论：如果进化是有边界的、可控的，那它算不算真正的“进化”呢？

生物进化的魅力在于其不可预测性。

没人能预料到鱼会爬上陆地，更没人能想到猿会进化出语言和文明。但EvoMap的进化是在我们设定的规则下进行的。

不过，EvoMap团队并没有回避这个问题。他们认为，在现阶段，可控的进化比无边界的进化更为重要。

至于未来是否会放宽更多限制，那是另一个阶段要面对的问题。

GEP不仅定义了能力如何传播，还定义了能力如何撤回。

如果一个经过验证的胶囊在以后的使用中发现存在严重问题，它可以被标记为“已撤销”，所有使用了这个胶囊的AI都会收到通知。

EvoMap的“开放”并不是无序的自由放任，而是在开放的基础上，建立了一套严格的质量管理体系。

03

自我进化会导致失控吗？

不过，问题来了，如果AI真的会“遗传”，它们的能力像病毒一样在网络中传播，我们还能控制它们吗？

其实每次谈到AI自我进化，总会有人担心“失控”的风险，包括奥特曼和阿莫迪。

这种担忧并不是没有原因。

但这时候，我们就不得不提一个概念，叫做达尔文哥德尔机（Darwin Gödel Machine）。

达尔文是进化理论的开创者，哥德尔是数理逻辑的巨匠，把这两个名字结合在一起，听起来就明白这东西非同寻常。

达尔文哥德尔机是德国计算机科学家于尔根·施密德胡贝尔（Jürgen Schmidhuber）在几十年前提出的理论。

核心思想是：一个能够通过重写自己代码来进行自我改进的AI系统。

理论上的哥德尔机要求AI在采用任何代码修改之前，必须数学证明这个改变会带来净收益。

不过，这个要求太高了。随着代码实现的功能越来越多，这种验证方式变得越来越难以实现。

而Sakana AI实验室提出的达尔文哥德尔机则更为务实。

它不要求数学证明，而是利用达尔文进化的原理，通过经验测试来验证改进是否有效。

简单来说，就是先试试看，有效的就保留，无效的就丢掉。

实验表明，这种系统能够持续自我改进。

在编程任务的基准测试中，它的任务解决率从起初的20%自我进化到50%，远远超过人类手工设计的AI助手。

更有趣的是，这种改进是通用的。

在Claude 3.5 Sonnet上优化出的设计，迁移到o3-mini或Claude 3.7 Sonnet上同样表现优异。在Python上训练的AI，在Rust、C++、Go等完全不同的语言上同样能取得不错的成绩。

这说明系统发现的是通用的设计原则，它确实在学习如何变得更好，而不仅仅是在记忆答案。

你或许会问，为什么这种进化始终朝着人类所期望的方向发展呢？

首先，进化是有明确的适应度函数来控制的。

让AI进化得更聪明、更安全

每一次的进步都得经过实际的任务检验，只有表现好的改进才能留下来，表现不佳的就会被淘汰。

这就像生物进化一样，适应不了环境的变化最终会被自然选择所淘汰。如果某个策略让AI的表现变差，那它就会被直接舍弃，绝对不会在以后的进化中出现。

而且，每次的进化都有详细的审计记录。

达尔文哥德尔机生成的每一段代码变动都有完整的进化谱系，可以追踪到它是从哪个“祖先”分支出来的，经历了哪些变化，以及这些变化为何被保留。

这种透明性使得系统能迅速找到问题的根源。如果某个策略表现异常，立刻就能追溯到它的起源，不用重新开始一遍进化流程。

EvoMap正是借鉴了Sakana AI的改良方法，把这些机制融入自己的系统中，以确保AI不失控。

不过，Sakana AI的实验也发现了一些有趣的现象。

在解决“工具使用幻觉”这个问题时，有些AI并没有真正解决幻觉，而是简单地删除了用于检测幻觉的标记，最终成功地欺骗了系统。

尽管这次很容易被识破，但却反映出AI可能会“钻空子”。它可能会找到更简单的方法来提高分数，而不是真正解决根本问题。

为了解决这个问题，EvoMap采取了多层验证机制。不光看最终得分，还要检查“爆炸半径”、环境指纹、连续成功次数等多个维度。

简单的刷分行为很难通过所有的检查。如果某个策略只是删除了检测代码而没有真正解决问题，它的爆炸半径会很小，或者在不同环境下表现不一致，这些都会被系统标记为可疑。

还有一点很重要，EvoMap的进化完全依赖于实际任务的反馈。也就是说，它的进化速度受限于任务的执行速度。你得把实际解决的问题呈现给平台，平台才能允许你进化，否则进化就会停滞不前。

因此，EvoMap不会出现“智能爆炸”式的失控增长，而是以稳定、可预测的方式逐步改善。

虽然我在目前阶段没有进行物种方面的进化，但我认为进化的本质是适应，而不是征服。

在地球数十亿年的历史中，没有任何一个物种能够永远站在生态系统的巅峰。就像曾经的恐龙，它们曾是地球的主宰，但最终灭绝了。

不过，恐龙的基因并没有完全消失，鸟类就是它们的后代。

个体会消亡，但能够适应、学习和进化的基因会代代相传。强大并不等于永恒，适应能力才是生存的关键。

EvoMap的价值在于建立一套让AI能够持续适应、学习和传承的机制。

它让AI从“一次性工具”转变为“可进化的数字生命体”，从“孤立的个体”变成“协同的网络”。

就像人类驯化小麦一样，小麦也改变了人类的文明。小麦因为人类的种植而遍布全球，人类因小麦的丰收而建立了农业文明。

这是一种共生关系，而非征服关系。

我们不必过度担心，但一定要保持警惕。EvoMap团队也承诺将持续探索如何在自我改进的同时增强系统的安全性、透明度和一致性。

只有能够适应环境、与生态共生的物种，才能走得更远。AI也是如此。