Agent Evolver Skill#

AI Agent 自进化引擎，让 Agent 具备自学习和持续改进能力。

何时使用此技能#

自动触发条件#

1. 错误分析场景
   • 当任务执行失败时
   • 当需要分析错误原因时
   • 当需要查找相似历史错误时
2. 性能优化场景
   • 当用户要求改进 Agent 性能时
   • 当需要优化执行策略时
   • 当需要提高成功率时
3. 学习进化场景
   • 当需要从历史经验学习时
   • 当需要积累知识时
   • 当需要持续改进时

使用方法#

1. 分析执行结果并提取经验#

bash

python3 scripts/evolution_cli.py analyze --result "<错误信息>"
python3 scripts/evolution_cli.py analyze --result-file result.json

2. 搜索相似历史经验#

bash

python3 scripts/evolution_cli.py search --query "负数平方计算错误"
python3 scripts/evolution_cli.py search --query "ValueError" --limit 10

3. 查看进化统计#

bash

python3 scripts/evolution_cli.py stats
python3 scripts/evolution_cli.py stats --agent-id my_agent --json

4. 查看进化历史#

bash

python3 scripts/evolution_cli.py history --limit 20
python3 scripts/evolution_cli.py history --task-type code_generation

5. 执行进化周期#

bash

python3 scripts/evolution_cli.py evolve "计算 -5 的平方" --task-type calculation

集成示例#

Python API#

python

from evolver_core import EvolutionManager

# 初始化进化管理器
evolver = EvolutionManager(agent_id="main_agent")

# 执行任务后自动进化
def execute_with_evolution(task):
    result = execute_task(task)

    # 自动分析并学习
    evolver.run_evolution(
        task_input=task,
        task_type="general"
    )

    return result

# 搜索历史经验
def find_similar_solutions(error_description):
    similar = evolver.search_similar(error_description)
    return similar

# 获取进化统计
def get_evolution_stats():
    return evolver.get_stats()

自动触发示例#

python

# 主 Agent 执行任务
result = execute_task("计算 -5 的平方")

# 失败后自动触发进化
if result.status == "failed":
    # 自动调用 agent-evolver 技能
    evolver = get_skill("agent-evolver")
    evolver.analyze(result.error)

    # 搜索相似解决方案
    similar = evolver.search_similar(result.error.message)

    # 应用建议的解决方案
    if similar:
        apply_solution(similar[0].solution)

功能特性#

1. 智能经验提取#

• 使用 LLM 自动分析错误原因
• 生成针对性的解决方案
• 提取关键词标签便于搜索

2. 经验库持久化#

• SQLite 存储所有经验
• 支持按类型、错误类型查询
• 自动统计成功率、改进率

3. 经验向量化#

• 使用 Embedding 模型向量化经验
• 支持语义搜索相似经验
• ChromaDB 向量存储

4. 动态策略优化#

• 根据历史经验优化策略
• 支持策略版本管理
• 自动回滚机制

5. 多任务类型支持#

• 代码生成 (code_generation)
• 数据分析 (data_analysis)
• 文档处理 (document_processing)
• 数值计算 (calculation)
• 通用任务 (general)

输出格式#

所有命令支持 --json 参数输出 JSON 格式：

bash

python3 scripts/evolution_cli.py stats --json

配置#

环境变量#

• OPENAI_API_KEY - OpenAI API 密钥（用于 LLM 分析和向量化）
• OPENAI_API_BASE - API 基础 URL（可选，用于自定义端点）
• EVOLVER_DB_PATH - 数据库路径（默认：~/.evolver/evolution.db）

配置文件#

配置文件位于 config/evolver_config.yaml：

yaml

llm:
  model: gpt-3.5-turbo
  temperature: 0.7

vector:
  model: text-embedding-3-small
  enabled: true

storage:
  db_path: ~/.evolver/evolution.db
  vector_path: ~/.evolver/chroma

数据模型#

经验胶囊 (ExperienceCapsule)#

json

{
  "id": "exp_20260224_001",
  "task_type": "code_generation",
  "status": "failed",
  "error_type": "ValueError",
  "error_message": "不支持负数输入",
  "solution": "使用绝对值处理负数",
  "keywords": ["负数", "平方计算", "ValueError"]
}

示例场景#

场景 1：任务失败分析#

text

用户: "这个任务总是失败，帮我分析一下"
Agent: 我来使用 agent-evolver 技能分析错误...
       [调用] python3 scripts/evolution_cli.py analyze --result "ValueError: 不支持负数输入"
       [结果] 发现类似历史错误 3 次
              建议解决方案：使用绝对值处理负数

场景 2：性能优化#

text

用户: "帮我优化一下 Agent 的性能"
Agent: 我来分析 Agent 的进化统计...
       [调用] python3 scripts/evolution_cli.py stats
       [结果] 成功率：85%，改进率：15%
              常见错误：ValueError (5次), TypeError (3次)
              建议：优先处理 ValueError 类型错误

场景 3：经验搜索#

text

用户: "之前遇到过类似的负数计算问题吗？"
Agent: 我来搜索历史经验...
       [调用] python3 scripts/evolution_cli.py search --query "负数计算"
       [结果] 找到 2 条相似经验：
              1. 使用绝对值处理负数 (相似度: 95%)
              2. 添加负数检查逻辑 (相似度: 87%)

技能发现机制#

当此技能安装后，主 Agent 会自动：

1. 识别关键词触发（进化、优化、学习、改进等）
2. 在任务失败时自动调用分析
3. 定期检查进化统计
4. 主动推荐优化建议

依赖#

• Python 3.8+
• OpenAI API（可选，用于 LLM 分析）
• ChromaDB（可选，用于向量搜索）

注意事项#

1. 首次使用需要设置 OPENAI_API_KEY 环境变量
2. 经验库存储在 ~/.evolver/ 目录
3. 向量搜索需要安装 chromadb
4. 无 API 密钥时使用后备分析方案