自进化 (Self-evolution) 是 Agent Harness 的核心模块，拥有自进化能力后 Agent 才能在长期的任务交互中不断成长，总结和改进自己的技能、记录用户的反馈和偏好，从被动应答升级为能够主动复盘和自我成长的 Agent。本文以 CowAgent 开源项目为例，介绍 Agent 框架中五层自进化机制的架构设计和工程实现。

整体设计

要实现 Agent 的自我进化，不只是让它记住信息，更要能通过持续的反馈改进和修复自己。自进化机制根据深度不同可以划分为：记录信息、保留信息、主动行动、整理沉淀、自我重构，不同深度需要改进的对象、触发的时机和影响范围都不同。

在具体实现上，有两个关键点要考虑： "什么时候触发进化" 和 "要改进的是什么"。在 CowAgent 中，完整的自进化机制由五个层级共同构成，分别对应不同的进化深度，包括：基础的记忆和知识维护、上下文智能总结、会话后主动复盘、梦境记忆整理、源码自更新。整体架构如下：

一、基础记忆和知识维护

最基础的一层自进化其实发生在每一次的对话过程中，Agent 通过大模型的工具决策能力以及系统提示词的引导，判断对话中是否包含有价值的信息，并通过内置工具把偏好、决策、事实、经验教训等写进长期记忆，把可复用的知识写进知识库，把涉及到 Agent 设定及运行规则等内容写入提示词文件。

这三类信息维护的对象和时机各不相同：

• 记忆：持久化在工作空间的文件中，又分核心记忆和天级记忆。核心记忆（MEMORY.md）存放用户偏好、关键决策这类长期有效的事实，会被注入到每次对话的系统提示词里，所以必须保持精炼；天级记忆（memory/YYYY-MM-DD.md）按天记录关键事件和对话摘要，只在 Agent 用记忆检索工具时才加载。
• 知识库：以 Markdown 源文件存于工作空间、向量化数据存于数据库，按主题组织、页面间交叉引用成知识图谱。当对话中发生搜索学习、深度研究等任务时，Agent 会主动把整理后的知识沉淀进来。
• 提示词：人格设定（AGENT.md）、规则（RULE.md）、用户信息（USER.md）等也支持在对话中被实时修改，它们都会加载进系统提示词，让 Agent 根据反馈持续调整自身设定，贴合用户习惯。

上图示例：用户在一次提问中表达了偏好并让 Agent 研究一个新概念，Agent 在回答的同时主动把偏好写进记忆、把整理后的资料沉淀进知识库

二、上下文智能总结

上一节关于长期记忆的维护解决的是如何记住关键信息，而这一节主要解决的是 Agent 在进化中如何不丢失信息。上下文是短期记忆，项目中提供了可配置的轮次和 Token 长度限制，当超限时不能简单裁剪掉旧消息，而是要把其中的重要信息提炼总结后写入天级记忆中。整个智能压缩分四步处理：

1. 截断超长工具结果：第一道也是最廉价的一道。历史轮次里单个工具结果（如一次返回上万行的检索）超过阈值时，只保留首尾两段加一句省略说明，正在进行的当前轮次不动。这一步纯字符串处理、不调模型，往往就能挡住大部分增长。
2. 按完整轮次裁剪：轮次超限时，以"一轮完整对话"为最小单位裁掉最早的一半，而不是逐条删消息——这样能保证一次工具调用的入参和执行结果始终成对保留，不会给模型留下"调用了工具却没有结果"的残缺上下文。被裁的内容并不是丢弃，而是由 LLM 进行整理、提炼、总结，一方面写入当天的天级记忆持久化，另一方面注入回保留消息的开头，让模型在丢掉原始细节后仍能接住前文的来龙去脉。
3. 按 Token 压缩：当裁完轮次仍超出 Token 限制时，再做进一步更精细化的裁剪，当轮次本就不多时会对每一轮做文本压缩（只留用户的首条提问和 Agent 的末条回复，剥掉中间的工具调用链）；当轮次较多时则继续裁剪并总结更早的前一半对话。
4. 溢出兜底：当模型 API 直接抛出上下文溢出，同样会先把当前对话总结进记忆，再做一次更激进的截断，这是最后一道保险。

三、会话后主动复盘

会话后复盘 是自进化中主动性最强、也是最核心的部分，当一段对话告一段落、进入空闲时，Agent 会主动回顾整个会话内容，把对话中暴露的问题修复、将可复用流程固化为技能、把没做完的任务接着完成等。

3.1 进化内容

首先来看在复盘中主要做哪些改进：

• 优化和创建技能：当某个 Skill 在用的时候暴露了问题（例如配置错误、缺少步骤、内容过时等），会直接修改技能文件让问题不再复发；如果在对话中跑出了一套可复用的流程，则会主动固化成一个新技能，在下次类似任务时可以更稳定地执行。这一步让 Agent 从「技能的使用者」变成「技能的维护者」。
• 收尾未完成任务：把承诺了用户但没做完、或因临时性故障 (例如网络波动、环境问题等) 中断的任务，进行 review 并再次尝试完成。
• 补齐记忆 / 知识 / 提示词：作为查缺补漏，主对话本身就会主动写入记忆和知识库，所以这里只作为兜底。

上图示例：Agent 在会话后复盘中发现可复用的工作流程，创建为一个新技能，并主动通知用户

在改进中有两个关键的设计取舍：

1. 技能和未完成任务是主要价值，记忆、知识、提示词只作为查缺补漏，因为这部分已有其他多层机制覆盖，无需太多重复关注。
2. 修复源头而不是只记录问题：如果问题根因在技能本身，正确的动作是改技能，而不只是在记忆里记一句「技能 X 有个错」，这是目前很多 Agent 项目都存在的问题。记录症状不能阻止复发，只有优化源头才能根除问题。

3.2 触发时机

主动复盘会在会话结束、空闲一段时间后触发，且需要积累一定对话轮次才值得复盘，简单说就是「用户不再继续聊了，且这段对话有足够的信息量」，两个条件都满足才触发一次。

在项目中，可以通过 Web 控制台的开关一键开启和关闭自进化开关，另外触发空闲时间 (默认10分钟) 和 会话轮次阈值 (默认6轮会话) 也可以通过配置文件进行进一步调整。

3.3 安全可控

让 Agent 动手改自己，一个最重要的问题就是 "会不会改坏、会不会打扰用户"。一个支持自主修改的系统，最容易出现的几个问题包括：1. 把错误的信息写进记忆或技能等；2. 执行命令时越权改到系统内置的模块；3. 修改完无法追溯和回退。

所以这一层的设计就是围绕 可追溯、可回滚、隔离执行 的安全可控目标来实现：

• 隔离执行：每次的复盘是一个独立的异步临时任务，使用同一个主模型，但可用工具集大幅收紧（只能读上下文、改记忆与技能），不污染、也不会拖慢主对话，同时项目自带的内置技能会在代码层面进行保护。
• 变更可回滚：在 Agent 改动前会自动备份相关文件，用户如果不认同某次改动，直接在对话发送消息 (例如 "把刚才的改动撤销") 即可还原工作空间。
• 变更可追溯：Agent 会将每一次变更记录持久化存储于空间中，在「Web 控制台-记忆-自主进化」页面中可以追踪具体信息。
• 未变更则不打扰：复盘后会核对是否有实际的改动，如果有变更则会主动将内容推送给用户，否则全程静默、用户无感知。

四、梦境记忆整理

梦境记忆整理 (Deep Dream) 由每天夜间的定时任务 (默认 23:55) 主动完成。首先会将当天各会话的上下文 (短期记忆) 整理写进天级记忆，随后执行一次记忆蒸馏，读取当前的核心记忆和当天的天级记忆，交由模型进行去重、合并相近条目、修剪、提炼新信息并替换旧信息，输出一份精炼后的核心记忆，同时会生成一篇叙事风格的梦境日记，记录这次整理发现了什么、合并和清理了什么。

梦境整理是每天运行的全局视角的自进化，对当天所有会话的一次通盘梳理，解决的正是随着时间推移，长期记忆最容易出的两个问题：不断膨胀 和 自相矛盾。整个过程遵循几条核心规则：

• 含义相近的多条合并成一条更高密度表述；
• 从天级日记里萃取值得永久记住的新信息（偏好、决策、规则、经验、教训）；新旧记忆冲突以新条目替换旧条目；
• 临时记录、空条目、已被覆盖的冗余则直接清理，最终将核心记忆 (MEMORY.md) 控制在一定数量内 (约 50 条以内)。

为了让记忆整理更安全可控，在实现上做了几层保护：

• 当天没有新日记时直接跳过，绝不空覆写已有的核心记忆
• 对日记内容和每条消息分别做哈希去重，同样的内容不会被重复写入天级记忆（即使对话跨天）
• 在提示词层面强约束整理的真实性，避免凭空生成不存在的记忆

除了每天定时跑，也支持手动触发指定整理最近 N 天的记忆，所有的梦境整理内容会以日记的形式持久化保存在工作空间中。

五、源代码自更新

源码自更新指的是 Agent 在运行过程中能够实时修改自身代码并重启，以解决无法通过外置技能、工具等解决的问题，由于存在一定不可控性，这里更多做开放性讨论。

出于安全性考虑，目前 CowAgent 项目没有把源码自更新作为内置开放的功能，但用户可通过指定要求来实现该效果。项目默认就是源码安装方式，Agent 天然有访问源代码的权限，只需将项目代码路径告诉 Agent 并给出明确改动需求即可让其修改自身代码并重启，如果想要让 Agent 能够更主动地修改代码，还可以封装为 Skill 或 Prompt 作为内置能力。

修改代码是修改 Agent 能力本身，不像变更记忆、技能等数据，影响面更大。源码自更新存在两个难点：

• 如何避免 Agent 把代码改坏，影响正常启动
• 如何在当前进程中关闭自身并重启新的进程

为了解决这两个问题，项目中实现了一个 cow self-restart 的 CLI 命令，专门用于 Agent 的自重启。首先会对代码进行运行自检，出现任何依赖导入或解释器错误都会中止重启；自检通过后则会启动一个脱离于当前进程树的接力进程，在这个进程中对旧的进程进行关闭，并启动新的进程，实现优雅自重启。

而在开源项目场景中，Agent 修改自身代码其实还有另一个问题，就是版本冲突。当本地修改代码后，必然会相对主干分支形成分叉，后续官方版本更新后，代码拉取就有可能存在冲突，这个时候就需要依赖人工或者 Agent 协助进行解决了。

上图示例：Agent 自行定位到自身代码问题并修改，再通过命令完成自检与重启

总结

总结一下，我们通过不断递进的五层设计让 Agent 学会主动调整自己的提示词、记忆、知识、技能、甚至是源码，回顾整体设计思路，难点其实不是实现修改自己的能力，而是让它能够改得克制、改得可控。目标其实很朴素：真正实现一个越用越懂你、越用越少犯错的 Agent，而不是每天重新认识你一遍的 Agent。

文中的实现来自开源项目 CowAgent，感兴趣可以参考其 源码 与 文档。