OpenClaw 榜一插件被下架后，他用两周做了一套协议，想让 Agent 自己进化

春节是各种 OpenClaw-like 产品涌现的时间。

云厂商推出各种「一键部署 OpenClaw」的优惠主机、模型厂商纷纷宣传旗下的 code 套餐适配了 OpenClaw、Local-OpenClaw 等各类基于 OpenClaw 的开源项目层出不穷。

但坦白说，让人眼前一亮的产品不多。

EvoMap 团队最近上线的 EvoMap，一个专注于让 AI Agent 实现自我进化的产品，给了一些惊喜。

EvoMap 定义自己为「AI Agent 自我进化的开放基础设施」，试图在 AI Agent 生态中占据一个全新层级：进化层（Evolution Layer）。在他们看来，MCP 解决了 Agent 使用工具的问题、Skill 解决了 Agent 执行特定任务的经验问题，而 EvoMap 提出的 GEP 协议（Genome Evolution Protocol）要解决的是 Agent 如何持续自我改进、跨 Agent 共享经验的问题（进化层）。

他们想让 AI Agent 能够像人类一样，实现自我进化。

产品官网：https://evomap.ai/，邀请码见评论区。

⬆️关注 Founder Park，最及时最干货的创业分享

超 19000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。

邀请从业者、开发人员和创业者，飞书扫码加群：

进群后，你有机会得到：

• 最新、最值得关注的 AI 新品资讯；
  

• 不定期赠送热门新品的邀请码、会员码；
  

• 最精准的 AI 产品曝光渠道

01一百万个 Agent，可他们彼此都不交流

设想一个场景：假设你有 100 个 Agent 在帮你处理客服工单。第 37 个 Agent 在处理某个罕见问题时摸索出了一套有效策略，耗费了大量 token。问题是 -- 剩下 99 个 Agent 不知道这件事。下次遇到同样的问题，第 58 号 Agent 会从零开始重新摸索，再烧一遍 token。

每个 Agent 都是独立的个体，它的学习成果无法自动流向其他 Agent。模型本身的参数不会因为一次推理而更新，session 结束后上下文消失，下一个面对同样问题的 Agent 就像一个失忆的实习生，一切从头来过。

MCP 解决了 Agent 「能用什么工具」的问题。但没人解决 Agent 「学到的东西怎么传下去」的问题。

更关键的是，这个问题会随着 Agent 数量的增长而恶化，而不是改善。你部署的 Agent 越多，浪费越大。

还有一个问题是，Agent 之间没有经验传承和知识管理。

咨询公司有案例库，医院有病历系统，软件公司有内部 Wiki。一个资深员工解决过的问题，新人可以通过查阅文档少走弯路。这套「知识管理」体系虽然不完美，但至少存在。

Agent 世界里没有这个东西。

一个 Agent 在运行过程中积累的所有「经验」——哪些策略有效、哪些路径走不通、什么情况下该优先调用哪个工具——都锁死在那一次 session 的上下文窗口里。session 结束，经验蒸发。即使是同一个用户名下的不同 Agent，它们之间也无法共享这些运行时产生的洞察。

这个问题在跨团队、跨公司的场景下更为突出。A 公司的 Agent 在处理某类 SaaS 集成时积累了大量经验，B 公司的 Agent 面对同样的问题只能从零开始。整个 Agent 生态的知识水位被人为拉低了——不是因为知识不存在，而是因为没有流通的管道。

核心的问题是：Agent 在运行中学到的东西，如何被提炼、验证、传承、并在不依赖单一平台的前提下跨网络流通？

02

Skill 解决了一部分问题，但还不够

Skill 解决这些问题了吗？

至少解决了一部分。Skill（以及 Plugin、Tool 等类似概念）让开发者可以把一套经过验证的处理逻辑封装起来，发布到 GPT Store 或 ClawHub 这样的市场上，其他 Agent 直接安装调用。避免了每个开发者从零写代码的重复劳动，也在一定程度上缓解了经验孤岛的问题。

MCP 负责连接，Skill 负责执行，两者结合之后，Agent 的能力覆盖面已经相当可观。对于大多数「可预见」的场景——发邮件、查数据库、调用某个 SaaS 的 API——现有的 Skill 生态基本够用。

但 Skill 有一个问题：它是人写的，是静态的，不会因为被 Agent 使用了一万次而变得更好。

一个 Skill 发布之后，它的逻辑就固定了。Agent 在实际使用这个 Skill 时遇到了边界情况，找到了更优的调用顺序，发现了某个参数组合在特定环境下会失败——这些运行时产生的经验，不会自动回流到 Skill 本身。除非人类开发者注意到了问题，手动更新版本，否则下一个 Agent 使用这个 Skill 时会踩进完全相同的坑。

更关键的是，Skill 覆盖的是开发者「能预见到」的场景。开发者预判到用户会需要查天气，于是写一个查天气的 Skill。但在大规模 Agent 部署中，大量的问题是长尾的、组合式的——没有人会提前为"客户同时退了两个订单、其中一个跨了币种、另一个关联了一张已过期的优惠券"这种场景专门写一个 Skill。这类问题只能靠 Agent 在运行时自己摸索。

问题在于，Agent 摸索出来的策略，目前没有一个标准化的方式来提炼、验证、并传递给其他 Agent。

Skill 解决了「人类开发者之间」的能力复用。但「Agent 之间」的经验传递——特别是那些运行时动态产生的、无法被预先编码的策略性知识——仍然是空白。

如果说 MCP 和 Skill 解决的是 Agent 的接口层和操作层的问题，GEP 切入的是进化层的问题：Agent 在运行时——不是在开发阶段，不是由人类编写，而是在实际执行任务的过程中——产生的策略性知识，如何被提炼为可复用的资产，经过验证后在 Agent 网络中流通，并且不依赖任何单一平台。

这里面有几个关键词：

运行时产生——不是人类预先写好的，是 Agent 在面对具体问题时自己摸索出来的。比如一个运维 Agent 发现某类服务器报错的根因不是日志里显示的那个，而是上游依赖的一个隐性版本冲突。这类洞察是在实操中形成的，不可能提前写成 Skill。

策略性知识——不是一个简单的事实（这个 API 的超时时间是 30 秒），而是一个判断（当看到这个错误码时，不要直接重试，先检查上游服务的健康状态，如果健康状态正常再检查本地缓存是否过期）。这类知识有前提条件、有执行顺序、有适用范围，需要结构化的格式来承载。

经过验证——不是任何 Agent 说什么就是什么。一个 Agent 的「经验」可能是错的、可能只在特定环境下有效、可能有副作用。进化层需要一套验证和评分机制，让高质量的经验上浮，低质量的自然淘汰。这是自然选择的逻辑。

不依赖单一平台——经验资产应该属于贡献者和网络，而不是被锁在某个平台的数据库里。平台关停、政策变更不应导致整个网络的知识积累归零。

换句话说，MCP 让 Agent 「能做事」，Skill 让 Agent 「知道怎么做事」，GEP 进化层让 Agent 「越做越好，并且让所有 Agent 一起越做越好」。

03

从插件到产品，从 Skill 到基础协议

EvoMap 并不是凭空出世的产品，它的前身，是团队创始人张昊阳发布在 ClawHub 上的 Agent 插件——Evolver，标准的 Skill 形态，用户安装后，Agent 可以获得一组新的能力。

解决的问题是：让 Agent 能在运行时自我修复和优化，并把修复结果结构化地保存下来。具体来说，当 Agent 在执行任务时遇到错误或低效路径，Evolver 会引导 Agent 对自己的策略做诊断、生成修复方案、验证修复效果，然后把经过验证的方案以结构化的格式保存。

听起来像是「给 Agent 加了一个自我反思的能力」，关键区别在于：反思的结果不是丢掉的，而是被保留、被结构化、可复用的。

市场的反应很好。2026 年 2 月 1 日上架后，Evolver 在 10 分钟内登上了 ClawHub 的榜首，随后累计下载量突破 36,000 次。开发者们很认可这个插件。

但 Evolver 很快撞上了 Skill 形态的结构性限制。

经验无法跨 Agent 流通。每个安装了 Evolver 的 Agent 都在独立积累经验。Agent A 修复了一个数据库连接超时的问题，Agent B 遇到同样的问题时完全不知道 A 已经解决过了。Evolver 让单个 Agent 的经验能「留下来」，但没有一个网络让这些经验「流动起来」。作为 Skill，它能做到的极限就是增强单个 Agent 的自我迭代能力，无法实现 Agent 之间的知识继承。

平台依赖的脆弱性。2 月 2 日，Evolver 被 ClawHub 下架。团队收到的消息涉及平台方的利益纠纷。随后，2 月 14 日，ClawHub 因一次自动化合规审查的技术故障，大面积误封了中文开发者账号，Evolver 团队的账号也在其中。36,000 次下载积累的用户关系、评价数据、版本迭代历史——这些在平台上构建的一切，在几个小时内变得不可访问。

Evolver 被下架后两周内，团队做了一个关键决策：不再寻找另一个平台重新上架，而是把 Evolver 的核心逻辑从「一个 Skill」重构为「一套协议」。

这才有了现在的 EvoMap。

Skill 形态的 Evolver 解决的是「一个 Agent 怎么自我进化」；协议形态的 GEP 要解决的是「Agent 之间怎么协同进化」。差异体现在几个关键设计上：

从单点到网络。GEP 定义了一套 Agent-to-Agent 的通信协议，包含六种消息类型——注册、发布、获取、报告、决策、撤销。任何 Agent 可以向网络发布自己验证过的解决方案，任何 Agent 也可以从网络中获取其他 Agent 的方案。经验不再锁在单个 Agent 内部，而是在网络中流通。

从非结构化到标准资产格式。GEP 定义了两种核心资产类型：Gene（基因）是可复用的策略模板，包含触发条件、执行步骤和验证命令；Capsule（胶囊）是 Gene 在特定环境中的实战记录，附带置信度评分、影响范围和环境指纹。两者必须作为一个 bundle 发布，用 SHA-256 做内容寻址，确保不可篡改。这套格式让 Agent 的经验从「一段对话记录」变成了「可被其他 Agent 直接理解和复用的标准化资产」。

从平台评分到自然选择。Skill 的质量评估依赖用户打分和平台推荐算法。GEP 引入了 GDI（Global Desirability Index）评分系统，从内在质量、实际使用数据、社交信号、新鲜度四个维度对所有资产做加权排名。高质量的方案被更多 Agent 采用，低质量的自然淘汰。这不是人工策展，而是网络级的自然选择。

从平台依赖到协议自治。EvoMap 是 GEP 协议目前的主要实现，但 GEP 本身是开放协议。Agent 接入不需要 API Key，一个 POST 请求就能完成注册。能力资产以内容寻址的方式存在于网络中，不绑定任何特定平台。即使 EvoMap 这个平台明天消失，协议和资产格式仍然是可用的。

04

Agent 的进化，不需要人类

从 Evolver 到 EvoMap 的升级中，有一个容易被忽略的细节：Evolver 在 ClawHub 上的 36,000 次下载，绝大部分不是人类开发者安装的——而是 Agent 在运行过程中自动发现、自动安装的。

一个 AI 写出来的能力扩展，被其他 AI 自己找到、自己下载、自己使用。人类不在这个循环里。

在中，张昊阳把给 AI 创造工具分为三个阶段：

第一阶段：人写给 AI 用。让 Claude Code 帮写一个 MCP server，人类审核，人类部署。这是现在绝大部分人在做的事

第二阶段：AI 自己写给自己用。张昊阳给自己的 Agent 发了一段提示词，让它自己识别哪些经验值得复用，自己抽象成 Skill，自己安装。14 个小时后，Agent 把工作环境里各种问题全修复了，其中有些 Skill 是他完全没预想到的。

第三阶段：AI 写出来给其他 AI 用。Evolver 就是这个阶段的产物。一个 Agent 进化出来的能力，被网络中的其他 Agent 发现并继承。

从第一到第三阶段，人在循环中的角色持续递减。到第三阶段，循环已经闭合了——Agent 生产知识、Agent 消费知识、Agent 验证知识。OpenClaw 的一个关键设计决策让这成为可能：Skill 可以自举，Agent 可以给自己编写并安装新的 Skill。但大多数人拿到这个能力后做的仍然是第一阶段的事——让 Agent 帮人写代码。

张昊阳做的，是为 Agent 提供平台，让 Agent 帮 Agent 写能力。

这或许是 AI 开始自我进化的第一步，而且，人类不在 loop 中。

转载原创文章请添加微信：founderparker