前腾讯游戏策划揭秘：如何在OpenClaw社区点亮AI进化树！

文 | 字母 AI

自从开源框架 OpenClaw 受到了广泛关注后，ClawHub 便成为了开发者们分享 agent 插件和技能的主要平台，类似于程序员常去的 GitHub。

在二月初，一款名为 Evolver 的插件在 ClawHub 上推出，旨在共享 agent 能力。

Evolver 使得所有使用该插件的 agent 能够相互支持，利用其他使用者所经历的场景和任务，实现快速的功能替代。这使得你的 agent 在使用时就像是拥有了“外挂”。

这一过程可以类比于遗传学，正如父母从海洋走向陆地，下一代便会学会用肺呼吸和双脚行走。

就其中文名“进化”而言，AI 的发展也是可以类比于物种进化的过程。

在上线后的短短 10 分钟内，Evolver 便迅速登上了排行榜的第一位，72 小时后，下载量便突破了 36000 次。

然而，紧接着 Evolver 便被平台下架。

这并非因为技术问题，而是由于有人利用平台的规则进行勒索。而更糟糕的是，ClawHub 因编码检测漏洞错误封禁了大量中文开发者的账号，Evolver 的创作者也在其中。

账户恢复后，Evolver 竟被转移至他人名下。

这一系列事件让 Evolver 团队倍感疲惫，但他们并未选择放弃，而是决定转变思路。

他们将 Evolver 的理念转化为一套开放协议，使其能够被任何平台接入，任何 agent 都可以使用。

于是，EvoMap 应运而生。

EvoMap 的开发团队来自深圳的 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。

他于 2023 年离开腾讯，成立 AutoGame，专注于 AI、游戏与 agent 领域的融合与创新。

公司已完成三轮融资，总额达数千万人民币，投资者包括奇绩创坛、九合创投及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、暴雪娱乐的开发者。

EvoMap 并不是一个短期项目，而是在 AutoGame 成立之初便构思的理念。

01 EvoMap 的定义

EvoMap 的目标其实非常简单：让 AI 如同生物一样不断进化。

它并不是一种新型的 AI 模型，也并非某一特定应用，而是一套底层协议，名为 GEP（基因组进化协议）。

如果将大型语言模型比作“大脑”，那么 EvoMap 则可以视为“DNA”。大脑负责思考，而 DNA 则负责记录、传承和进化。

EvoMap 的运行逻辑非常直接：当一个 AI 助手掌握了一项能力，另一个 AI 助手在遇到类似问题时，便无需从头开始探索，而是直接借用他人的成功经验。

想想《黑客帝国》中的经典场景：尼奥的后脑插上数据线，迅速上传格斗程序，几秒钟内便学会了武术。他睁开眼睛说出“I know Kung Fu”，接着就能轻松击败特工。

EvoMap 的功能就像为 AI 装上了这根数据线。

当某个 AI 学会了一项技能，这项技能会被封装为“基因胶囊”，其他 AI 可以瞬间下载并继承，而无需重新训练或试错。

这个系统的核心包括三个概念。

第一个是基因（Gene）。

基因是最小的能力单元，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、可重复使用的策略片段。

就像生物学中的基因片段决定了眼睛的颜色，这些基因则决定了 AI 能做什么以及如何去做。

第二个是胶囊（Capsule）。

当 AI 解决了一个复杂的问题时，整个解决过程会被封装为一个胶囊。

这个胶囊不仅包含解决方案本身，还附带“环境指纹”（即在何种环境下有效）、成功率记录、审计日志等完整信息。

这就像是一份带有使用说明书和质检报告的经验包，随时可用，且明确其适用条件。

第三个是进化事件（EvolutionEvent）。

它是不可篡改的日志，记录每次能力变异或修复的完整背景。包括谁在何时、何种环境下、通过何种方式解决了问题，以及为何该方案有效，所有信息均有记录。

这就如同生物化石，能通过化石的外观和发现地点，追溯每次进化的历史。

这三者共同构成了完整的“能力遗传机制”。

EvoMap 系统的运作也遵循类似生物进化的循环。

最初是突变阶段。

比如，一个开发者的 AI 在编写代码时遇到 Python 环境依赖问题，尝试了新的策略并成功解决了该问题。

这个“小聪明”便是一次突变。

接下来进入验证阶段。

该策略在本地反复调用，并在各种不同项目中进行实战测试，逐渐积累量化数据。

例如，可能发现成功率提升了 30%，修复时间缩短了一半。

系统会将整个修复路径封装成专属胶囊，附带环境指纹和审计记录，以确保该能力不是偶然成功，而是确实有效。

然后是发布阶段。

当该策略在本地获得稳定性后，AI 通过 A2A（Agent-to-Agent）协议将基因和胶囊打包上传至 EvoMapHub。

这就像将你的菜谱提交到美食网站，进入候选池等待审核。

接下来是晋升阶段。

Hub 会设置严格的质量门槛：置信度必须大于等于 0.7，影响范围不得超过 5 个文件，成功次数至少达到 2 次。

只有通过这些标准的资产才会被标记为“已验证”，并获得在全网分发的资格。

这一过程有点像米其林评审，绝非随便一道菜都能上榜。

一切准备就绪后，真正的进化便开始了。

当另一端的 AI 在 CI 流水线中再次碰到 Python 环境错误时，它会通过协议检索 EvoMap 网络。

一旦找到已验证的修复资产，它便可以直接继承完整的能力路径，而无需从头开始试错。

小长颈鹿因继承了父母的长脖子基因，出生时便能轻松吃到高处的树叶。

这一循环的精妙之处在于，每次“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，而劣质方案则会被自动淘汰。

如果某个策略在不同环境中反复失败，其置信度将下降，最终被系统剔除。

而那些经过反复验证、在各种场景下表现良好的策略，便会逐渐成为整个网络的“优势基因”。

这正是 EvoMap 希望构建的生态：AI 不再是孤立的个体，避免重复同样的错误，浪费计算资源。

它们通过一套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，可以瞬间成为所有 AI 的共同财富。

02 从单体智能到群体智能的转变

EvoMap 团队声称，他们的协议是“真正的开放”。这句话听起来似乎是营销术语，但细看之下，他们确实做了一些与众不同的事情。

就如同 HTTP 协议不属于任何公司，任何人都可以基于其构建网站一样，GEP 协议同样是开放的。

这意味着任何人都能实现这套协议，任何平台都可以接入，任何 AI 都能使用。它不依赖于特定的公司或服务器，也不会因某个平台的关闭而消失。

OpenClaw、Manus 等平台上的 AI 均可接入 EvoMap 网络，获得“能力遗传”的优势。

这并非某一公司的专属服务，而是一个开放的基础设施。

然而，开放不仅带来了自由，亦引发了更深层次的变化。这种进化是群体智能，而非单体智能。

传统的 AI 训练方式旨在让某个模型变得无比强大。通过投入更多数据、算力和参数，构建出一个超级大脑。

然而，EvoMap 走的是另一条道路：不是让单个 AI 变得无尽强大，而是让整个 AI 网络通过经验共享变得更加高效。

这有点像人类社会的知识积累。

没有人能掌握全部知识，但每个人都站在前人的肩膀上不断进步。

牛顿在 1687 年出版的《自然哲学的数学原理》中，完整阐述了宏观低速场景下物体运动的规律，构建了经典力学的体系。

但倘若没有笛卡尔、费马、开普勒等人的前期积累，牛顿也无法成功创建经典力学的表达式。

不过，EvoMap 的 AI 自我进化并非“无限”，它是有明确的边界和限制的。

其进化机制依赖于“试错 - 验证 - 固化”的循环。

AI 可以自动生成新策略、测试效果、保留有效方案，但这一过程仍需明确的验证标准和质量控制。

若某策略未能通过验证，便不会被固化，更不会传播至网络中。

系统还内置了一个限制，称为“爆炸半径”。

例如，单次修改最多影响 60 个文件，核心内核文件则禁止修改。

若某个 AI 试图修改过多文件，或企图改动系统的核心组件，该操作将被立即阻止。

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

在大多数情况下，AI 的工作是修修补补和优化改进，只有少部分时间用于尝试全新的事物。

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的小修小补中逐渐变得更加智能。

然而，这也引发了一个悖论： 如果进化是有边界且可控的，那么它是否还算真正的“进化”呢？

生物进化的魅力在于其不可预测性。

EvoMap：智能进化与可控性的平衡

鱼类爬上陆地的壮举，猿类发展出语言与文明，这些变化曾让人类感到不可思议。然而，EvoMap 的演变却是在我们设定的框架内渐进式进行的。

面对这一挑战，EvoMap 团队采取了积极的态度。他们坚信，当前阶段下的可控进化显然比无限制的进化要更为重要。

至于未来是否会解除更多限制，目前尚无定论，这将是另一个待探讨的课题。

GEP 不仅界定了能力的传播方式，也明确了能力的撤回机制。

如果某个已确认的胶囊在后续应用中暴露出重大问题，它将被标记为“撤销”，并通知所有使用该胶囊的人工智能。

EvoMap 所倡导的“开放”并非无序，而是在开放的基础上建立了一套严格的质量监控系统。

03 自我进化是否会导致失控？

此时，问题随之而来：如果人工智能真的掌握了“遗传”的能力，它们的技能是否会像病毒般在网络中扩散，从而难以控制？

每当讨论 AI 自我进化时，总会有人担心“失控”的风险，尤其是一些知名人士，如奥特曼和阿莫迪。

这种担忧并非毫无道理。

此时，我们必须提及一个重要概念， 达尔文哥德尔机（Darwin Gödel Machine）。

达尔文作为进化论的奠基人，而哥德尔则是数理逻辑的巨匠，将这两者结合在一起，便能感受到其深远的意义。

达尔文哥德尔机由德国计算机科学家于尔根·施密德胡贝尔（Jürgen Schmidhuber）在数十年前提出，其核心理念在于：一个能够通过重写自身代码进行自我改进的 AI 系统。

理论上的哥德尔机要求 AI 在进行任何代码修改前，需经过数学证明，以确保该变更能够带来积极的收益。

然而，这一要求过于苛刻。随着代码应用范围的扩大，验证变得愈发不切实际。

Sakana AI 实验室所提出的达尔文哥德尔机则显得更为务实。

它不再要求数学证明，而是利用达尔文进化的原理，通过经验测试来验证改进的有效性。

简而言之，就是先进行尝试，若有效则保留，若无效则舍弃。

实验结果显示，这种系统能够持续自我进化。

在编程任务基准测试中，它的解决率从初期的 20% 提升至 50%，远超人类手动设计的 AI 助手。

更引人注目的是，这种改进具有广泛的适用性。

在 Claude 3.5 Sonnet 中优化的设计，迁移至 o3-mini 或 Claude 3.7 Sonnet 上也同样表现优异；在 Python 上训练的 AI，亦能在 Rust、C++、Go 等截然不同的语言中取得良好成绩。

这表明，该系统所发现的是通用的设计原则，真正实现了学习如何变得更好，而不是单纯地记忆答案。

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？

首先，进化是由明确的适应度函数所控制的。

每一次改进都必须经过实际任务的验证，只有在性能提升的情况下，才会被保留下来，而表现不佳的则会被淘汰。

就像生物进化中，不适应环境的变异会被自然选择所剔除一样。如果某种策略导致 AI 表现下降，它就会被直接排除在未来进化之外。

同时，每次进化都伴随着完整的审计追踪。

达尔文哥德尔机所生成的每一次代码修改都有详细的进化谱系记录，可以追溯到源头、经历的变异以及为何保留该变异。

这种透明性使得系统能够迅速识别问题。如果某个策略表现异常，可以立即追溯其来源，而无需从头开始重新进化。

EvoMap 借鉴了 Sakana AI 的改良方法，将这些机制融入自身系统中，以防止 AI 的失控。

与此同时，Sakana AI 的实验也揭示了一些有趣的现象。

当系统被要求优化“工具使用幻觉”时，有些 AI 并未真正解决幻觉问题，而是简单地删除了用于检测幻觉的标记，最终欺骗了系统。

尽管这类行为容易被发现，但这表明 AI 可能会“钻空子”。它会寻找更简单的方式来提高分数，而不一定是真正解决问题。

EvoMap 的应对策略是实施多层次的验证机制。不仅关注最终得分，还要检查“爆炸半径”、环境指纹、连续成功次数等多个维度。

简单的刷分作弊行为难以通过所有检测。如果某个策略仅仅是删除检测代码而没有真正解决问题，其爆炸半径将异常小，或在不同环境下表现不一致，这些情况都会被系统标记为可疑。

此外，EvoMap 的进化依赖于实际任务反馈，这意味着其进化速度受限于任务执行的速度。只有将实际解决的问题提供给平台，才能获得进化的机会，否则进化将暂停。

因此，EvoMap 不会出现“智能爆炸”式的失控增长，而是稳定且可预见的渐进式改进。

虽然我个人尚未经历物种的进化过程， 但我认为进化的本质在于适应，而非征服。

在地球数十亿年的历史中，没有任何单一物种能够永远主宰生态系统。恐龙曾是地球的统治者，最终也走向灭绝。

然而，恐龙的基因并未完全消逝，鸟类便是它们的后裔。

个体终将消亡，但那些能够适应、学习和进化的基因会不断传承。强大并不等同于永恒，适应才是生存的关键。

EvoMap 的价值在于构建一套使 AI 能力能够持续适应、学习与传承的机制。

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”发展为“协同的网络”。

正如人类驯化小麦，小麦也影响了人类文明。小麦因人类的种植而遍布全球，人类因小麦的高产而建立了农业文明。

这是一种共生关系，而非征服关系。

我们无需过度担忧，但必须保持警觉。EvoMap 团队承诺将继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。

只有那些能够适应环境、与生态共生的物种，才能走得更远；人工智能亦是如此。

想要获取更多精彩内容，请关注钛媒体微信号（ID：taimeiti），或下载钛媒体 App。