GenericAgent – A3 Lab 推出的通用自進化 LLM Agent 系統

GenericAgent是什麼

GenericAgent（GA）是 A3 Lab 推出的通用自進化 LLM Agent 系統，以”上下文信息密度最大化”爲核心設計原則。GenericAgent通過 9 個原子工具、30k 上下文窗口和四層分層記憶架構，在 Lifelong AgentBench 上實現 100% 任務完成率，token 消耗爲 Claude Code 的 27.7% 和 OpenClaw 的 15.5%。GenericAgent支持經驗沉澱爲可複用 SOP 與可執行代碼，具備跨任務自進化能力，代碼量僅 3300 行，以自託管 CLI 形式運行。

GenericAgent的主要功能

• 極簡原子工具集：提供 file_read、file_patch、file_write、code_run、web_scan、web_execute_js、update_working_checkpoint、start_long_term_update、ask_user 共 9 個原子工具，覆蓋文件操作、代碼執行、網頁交互、記憶管理與人工介入五大能力域。
• 分層按需記憶：採用 L0 元規則、L1 索引層、L2 事實層、L3 SOP 層、L4 原始歸檔層的四級架構，用 L1 常駐上下文，深層記憶按需顯式讀取。
• 自進化能力：將驗證後的執行軌跡沉澱爲可複用 SOP 文件與可執行腳本，遵循”No Execution, No Memory”原則，實現跨任務經驗累積與能力進化。
• 上下文壓縮管理：通過工具輸出截斷、標籤級壓縮、消息驅逐與工作記憶錨點四階段策略，將活躍上下文穩在 30k token 以內。
• 雙模式執行：支持 Interact 模式處理用戶主動任務，以及 Reflect 模式作爲 Watchdog 自動監測環境變化並觸發任務。

GenericAgent的技術原理

• 上下文信息密度最大化：將上下文質量拆解爲完整性（Completeness）、簡潔性（Conciseness）與自然性（Naturalness）三維度，通過極簡工具、分層記憶、自進化與壓縮機制，在有限窗口內最大化決策相關信息比例。
• 工具最小化與組合泛化：基於原子性（不可再拆）與組合泛化（複雜行爲通過序列組合實現）兩個條件，保留 9 個原子工具，避免工具膨脹帶來的 prompt 開銷與策略歧義。
• 分層記憶架構：L1 索引層僅記錄”某類知識存在”而非內容，由 LLM 充當解碼器按需取回；引入 meta-memory 元記憶層定義全局規則與更新邊界；採用觸發式提交而非即時寫入，經驗經驗證後才增量寫入長期記憶。
• 自進化管道：工具層與知識層分離，新任務學習不干擾既有技能；在里程碑事件觸發整合階段，保留經成功工具執行驗證的內容；引入三級失敗升級機制（局部修復→策略切換→人工介入）防止錯誤循環。
• 四階段上下文截斷：階段一按字符閾值裁剪工具返回值；階段二每約 5 輪替換重複工作記憶塊並截斷標籤內容；階段三按 FIFO 驅逐最舊消息；階段四附加工作記憶錨點作爲長期記憶唯一來源。

如何使用GenericAgent

• 環境準備：確保本地具備 Python 運行環境，準備好兼容的 LLM API Key（支持 Claude、GPT、Gemini 等後端）。
• 獲取代碼：通過論文發佈渠道（arXiv:2604.17091）獲取約 3300 行核心源碼與部署指引。
• 配置安裝：在本地完成依賴安裝與 LLM 後端配置，設定 30k token 的上下文預算與字符預算閾值。
• 啓動運行：以自託管 CLI 形式啓動 GA，進入 Interact 模式可直接輸入任務指令，或配置 Reflect 模式的觸發腳本實現自動監測。
• 任務執行：Agent 基於當前任務與相關記憶構建執行上下文，生成工具調用或輸出，通過結構化反饋更新系統狀態。
• 經驗沉澱：任務完成後，系統自動將驗證後的執行軌跡壓縮並歸檔至 L4，經觸發整合後沉澱爲 L2/L3 長期記憶，供後續任務複用。

GenericAgent的關鍵信息和使用要求

• 開發團隊：由 A3 Lab（Advantage AI Agent Lab，深圳 Aquaintelling 科技與復旦大學聯合研究團隊）開發。
• 開源形態：核心代碼約 3300 行，中央 Agent Loop 僅 92 行，以自託管 CLI 程序形式部署，命令行爲原生執行界面。
• 模型兼容：模型無關架構，支持 Claude、GPT、Gemini 等主流 LLM 後端，可替換而不影響執行邏輯與工具接口。
• 上下文預算：默認將活躍上下文控制在 30k token 以內，採用字符域啓發式（α≈3 chars/token）進行預算管理。
• 執行邊界：單會話默認 30 輪執行上限，支持通過子 Agent 派發實現多進程隔離與長程任務拆分。
• 使用門檻：需配置 LLM API Key，具備本地計算環境運行權限，適合有技術背景的用戶自託管部署。

GenericAgent的核心優勢

• 極致 Token 效率：在 Lifelong AgentBench 上用 222k 輸入 token 實現 100% 完成率，較 Claude Code 降低 72.3%，較 OpenClaw 降低 84.5%。
• 持續自進化：9 輪重複任務後 token 消耗下降 89.6%，LLM 調用從 32 次收斂至 5 次，實現”冷啓動-快速收斂”的複利效應。
• 極簡架構：3300 行核心代碼 vs OpenClaw 的 53 萬行，極簡設計使 Agent 具備讀懂並修改自身架構的潛力。
• 高密度記憶：裝入 20 個技能後完整 prompt 僅 2298 token，較 Claude Code（22821）、Codex（23932）、OpenClaw（43321）降低一個數量級。
• 強網頁能力：在 WebCanvas、BrowseComp-ZH、Custom Tasks 上得分均超 OpenClaw，token 消耗僅爲其 1/4-1/3。

GenericAgent的項目地址

• GitHub倉庫：https://github.com/lsdefine/GenericAgent
• arXiv技術論文：https://arxiv.org/pdf/2604.17091

GenericAgent的同類競品對比

GenericAgent的應用場景

• 長程軟件工程：GenericAgent支持 GitHub 倉庫研究、多文件代碼重構、複雜代碼編輯與調試等需要持續多輪交互的開發任務。
• 自動化網頁瀏覽：GenericAgent能執行電商價格比較、上市公司報告提取、航班查詢導出、新聞訂閱流驗證等需要跨頁面操作的信息檢索任務。
• 金融與商業分析：在 RealFin-benchmark 等場景中完成動態金融數據爬取、財務報表分析等數據密集型研究任務。
• 政府與教育機構服務導航：完成政府服務網站導航、大學課程歸檔等需要跨頁面狀態轉移的複雜流程自動化。
• 終身個人助手：作爲跨會話累積用戶偏好、工作習慣與外部服務知識的個人 Agent，持續進化以適配用戶長期需求。