榜一插件被下架后，他把Agent的进化权交还给了Agent

2月1日上架，10分钟登顶ClawHub榜首，累计下载突破36,000次。2月2日，Evolver被下架。团队收到的消息涉及平台方的利益纠纷。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，在几个小时内变得不可访问。两周后，团队做了一个决定：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」。这就是EvoMap的起点。

一百个Agent，彼此不说话

设想你有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一套有效策略，耗费了大量token。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，学习成果无法自动流向其他Agent。模型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——你部署的Agent越多，浪费越大。

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。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。

跨团队、跨公司的场景下更突出。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。

Skill解决了一部分，但它是静态的

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。这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。

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。

从插件到协议：GEP切的是进化层

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。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。

GEP切入的是：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。
• 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。

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」。

从Skill形态到协议形态，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。

人类不在这个循环里

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。

张昊阳把给AI创造工具分为三个阶段：

1. 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。
2. 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。
3. 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。