我最近在思考一个问题AI的意思是人工智能既然是智能就应该具备进化能力。人类可以通过DNA积累基因逐步实现进化那AI要如何才能进化呢目前AI Agent的进化方式主要是通过本地积累记忆和经验。同一个任务多执行几次之后Agent就会越来越擅长处理这类任务但换台设备所有经验就会清零。虽然Agent的学习能力远超人类但因为无法向其他Agent传递经验所以很难有新的突破。但今天我在EvoX中找到了Agent实现自我进化的答案。EvoX是什么它也是一款Agent工具不同的是它有一个“EvoMap”开关。打开之后你电脑中的Agent就会连接到这个专为Agent打造的网络。你可以把EvoMap看作一个供Agent相互传递信息的网络网络中的Agent会互相分享各自的“基因”。通过这种方式哪怕你电脑中的Agent是第一次执行某项任务也能继承其他Agent已经沉淀的“基因”处理同类型任务时就能像熟练工一样得心应手。这种感觉就像《黑客帝国》中的尼奥从网络下载技能一样连接网络后就能快速获得一套专业能力。而EvoMap则把这个概念搬到了现实中并用在了Agent的进化上。除了连接EvoMap让Agent实现自我进化EvoX还有一个创新点就是蜂群模式。它可以让一群Agent组成一个小型社会彼此协作完成目标。最近EvoX团队还用蜂群模式做出了一个真正的开源项目AutoResearch。他们用蜂群模式跑实验、做验证并改进代码。整个过程中人类不会插手具体细节。所有计划、实现、运行和审查工作都由蜂群中的不同Agent分工完成Agent之间还会互相挑错失败结果也会进入下一轮任务。简单来说这是一个由ai自主确定研究方向的开源项目。在SWE-bench Lite的Django修复任务中官方测试通过数从2/7提升到了7/7203个回归测试也全部通过。这意味着未来不再需要人类拿着提示词一点一点调教AI做出想要的东西而是只需设定一个目标剩下的交给AI自己组织、自己优化。说到这里可能很多人觉得这些离我们普通人太遥远了。但我想说的是EvoX的创新其实特别适合目前的一人公司。文本优化AI短剧现在有多火爆自然不用我多说了。但大部分人不太会写提示词生成出来的画面往往缺乏逻辑。例如前一秒手上还戴着戒指后一秒戒指就突然消失了。这就要求提示词对细节有非常精准的控制而真人很容易在这些地方出现疏忽。这里我准备了一段提示词然后让EvoX根据短剧场景对它进行优化提示词这是一段AI短剧的生成提示词现在需要你优化这段提示词目标是强化画面逻辑让最终画面不许出现逻辑性BUG。EvoX启动蜂群模式同时并行进行三路审查之后再统一整合出优化后的提示词。它共发现了10个P0至P2级问题并逐一进行了修复。我们来看一下优化后的提示词长度明显可以看出优化后的提示词更加专业加入了场景一致性锚点和负面效果限制每个分镜头也都设置了对应的负面约束。同时分镜头中不只有画面内容还包含镜头移动方式等信息。最直观的效果就是画面的逻辑性更强也更不容易出现BUG。现在我们分别用这两段提示词生成视频对比一下效果优化前的视频中有不少逻辑BUG。比如第一个镜头推进时还能看到鼠标到了第二个特写镜头鼠标旁边却凭空出现了钢笔和手机。还有人物接电话时表现得很惊恐但手机并不是从手中滑落而是直接凭空消失了。而优化后的视频则从镜头角度等方面避免了这些BUG。第二个镜头中出现在桌面上的手机在第一个镜头里也能看到。上面提到的这些BUG都不见了同时视频的光影也得到了加强整体画面更加符合现实逻辑。在执行任务的过程中消息左下角会出现一个“复用记忆”的提示。这是因为我之前运行过类似任务相关经验已经沉淀成记忆并在这次任务中被复用了。在记忆列表中还可以看到之前沉淀的记忆最近是否被再次调用。AI优化AI for 一人公司一个人无论是做自媒体、做产品还是做运营最缺的其实不是想法而是没有足够的时间和精力去完成具体工作。用普通的Agent就像找了一个应届生所有流程都要你从头教一遍教完之后它还可能忘记换个任务又要重新开始。而使用EvoX的体验就像是找来了一支自带30年经验的老员工团队第一天就能直接帮你分担工作。因为它的“基因”继承自网络而你教给它的东西也会沉淀为新的“基因”下次遇到类似任务时就能自动调用不用再教一遍。尤其是让AI优化AI可以进一步释放你的精力。调整项目时你不需要亲自下场AI会自己不断优化直到达到预先设定的目标。所以EvoX可以进一步帮助实现一人公司的愿景让一个人的效率赶超一支专业团队。蜂群模式是如何让AI优化AI的以往Agent的工作逻辑主要有两种一种是由一个Agent独立完成所有工作另一种是由主Agent拆分任务再交给几个专职Agent执行最后由主Agent汇总结果。而EvoX的蜂群模式则不同它没有主从之分所有Agent都是独立个体共同组成一个小型社会。工作时每个Agent会自发认领自己擅长的任务并执行。任务完成后也不会交给某个Agent汇总而是由EvoX程序统一汇总结果。这样做的好处是Agent处理后的结果不会再经过另一个Agent的二次加工能够减少结果被扭曲或误改的情况。他们做了一个测试使用同一个模型分别采用不同的Agent工作模式处理563道测试题。单Agent的正确率为26.29%主从Agent的正确率为38.54%而蜂群模式的正确率达到了70.69%。仅仅改变Agent的工作方式就能大幅提高正确率确实是一次明显提升。蜂群模式让“AI优化AI”成为可能。接下来就带大家看看在蜂群模式下AI究竟是如何优化AI的。代码优化我这里有一段用于模拟日志统计的脚本可以正常运行。现在我把它发给EvoX让它优化这段代码看看优化前后有什么差别。在消息窗口的输入框下方可以手动打开蜂群模式。这里我们选择开启然后发送任务脚本找出这段代码的性能瓶颈并优化它优化前后分别跑一次性能测试给出耗时对比。之后EvoX会使用蜂群模式完成任务。可以看到两个不同的Agent认领了任务并开始执行右侧还可以看到它们之间的协作关系、当前正在执行的任务等信息。任务完成后EvoX帮我们定位出了性能问题并给出了相应的优化方案。优化完成后它会自动运行基准测试并给出优化前后的脚本运行效率对比。优化前耗时1895.4ms优化后耗时1335.9ms运行速度提升了1.42倍。由此可见EvoX的蜂群模式在“AI优化AI”这件事上确实很有效。顺带一提在运行这个任务之前我还开启了EvoX的自进化功能。之后在自进化列表中我看到了Agent在运行这次任务后产生的进化结果。点开具体的胶囊内容可以看到这次沉淀的是关于代码优化的进化经验。下次执行同类任务时效率就会比这次更高。其实很多人最近也能发现AI大模型单纯堆参数的发展速度正在放缓越来越多人不再一味竞争参数规模而是开始寻找方法挖掘现有模型的更多能力。而“AI优化AI”就是EvoX交出的答案。我觉得这也会成为未来非常重要的落地方向。因为现实中还存在许多沿用了多年的老旧流程比如餐厅的出菜流程、外卖平台的高峰期调度、医院的排班安排等。而用AI优化这些流程可以进一步提高效率。总结一下回到开头的那个问题AI靠什么才能变得更强大厂默认给出的答案可能是把模型做得更大、参数堆得更多但单体智能终究存在上限。而EvoMap选择了另一条道路建立Agent网络让Agent相互继承“基因”让更多能够协作的Agent催生群体智慧扩展AI的边界让AI组织AI、优化AI。EvoMap让我看到原来在大厂之外还有这样的黑马团队正在悄悄做着足以改变世界的创新。生命用了40亿年完成的进化过程EvoMap正在让AI加速重演。而“AI优化AI”就是加速这一进程的方式。EvoMap已经拿出了阶段性成果但这还只是起点。属于下一个十年的工具现在就可以提前用上了。