GenericAgent是什么
GenericAgent（GA）是 A3 Lab 推出的通用自进化 LLM Agent 系统，以”上下文信息密度最大化”为核心设计原则。GenericAgent通过 9 个原子工具、30k 上下文窗口和四层分层记忆架构，在 Lifelong AgentBench 上实现 100% 任务完成率，token 消耗为 Claude Code 的 27.7% 和 OpenClaw 的 15.5%。GenericAgent支持经验沉淀为可复用 SOP 与可执行代码，具备跨任务自进化能力，代码量仅 3300 行，以自托管 CLI 形式运行。
GenericAgent的主要功能
- 极简原子工具集：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 个原子工具，覆盖文件操作、代码执行、网页交互、记忆管理与人工介入五大能力域。
- 分层按需记忆：采用 L0 元规则、L1 索引层、L2 事实层、L3 SOP 层、L4 原始归档层的四级架构，用 L1 常驻上下文，深层记忆按需显式读取。
- 自进化能力：将验证后的执行轨迹沉淀为可复用 SOP 文件与可执行脚本，遵循”No Execution, No Memory”原则，实现跨任务经验累积与能力进化。
- 上下文压缩管理：通过工具输出截断、标签级压缩、消息驱逐与工作记忆锚点四阶段策略，将活跃上下文稳在 30k token 以内。
- 双模式执行：支持 Interact 模式处理用户主动任务，以及 Reflect 模式作为 Watchdog 自动监测环境变化并触发任务。
GenericAgent的技术原理
- 上下文信息密度最大化：将上下文质量拆解为完整性（Completeness）、简洁性（Conciseness）与自然性（Naturalness）三维度，通过极简工具、分层记忆、自进化与压缩机制，在有限窗口内最大化决策相关信息比例。
- 工具最小化与组合泛化：基于原子性（不可再拆）与组合泛化（复杂行为通过序列组合实现）两个条件，保留 9 个原子工具，避免工具膨胀带来的 prompt 开销与策略歧义。
- 分层记忆架构：L1 索引层仅记录”某类知识存在”而非内容，由 LLM 充当解码器按需取回；引入 meta-memory 元记忆层定义全局规则与更新边界；采用触发式提交而非即时写入，经验经验证后才增量写入长期记忆。
- 自进化管道：工具层与知识层分离，新任务学习不干扰既有技能；在里程碑事件触发整合阶段，保留经成功工具执行验证的内容；引入三级失败升级机制（局部修复→策略切换→人工介入）防止错误循环。
- 四阶段上下文截断：阶段一按字符阈值裁剪工具返回值；阶段二每约 5 轮替换重复工作记忆块并截断标签内容；阶段三按 FIFO 驱逐最旧消息；阶段四附加工作记忆锚点作为长期记忆唯一来源。
如何使用GenericAgent
- 环境准备：确保本地具备 Python 运行环境，准备好兼容的 LLM API Key（支持 Claude、GPT、Gemini 等后端）。
- 获取代码：通过论文发布渠道（arXiv:2604.17091）获取约 3300 行核心源码与部署指引。
- 配置安装：在本地完成依赖安装与 LLM 后端配置，设定 30k token 的上下文预算与字符预算阈值。
- 启动运行：以自托管 CLI 形式启动 GA，进入 Interact 模式可直接输入任务指令，或配置 Reflect 模式的触发脚本实现自动监测。
- 任务执行：Agent 基于当前任务与相关记忆构建执行上下文，生成工具调用或输出，通过结构化反馈更新系统状态。
- 经验沉淀：任务完成后，系统自动将验证后的执行轨迹压缩并归档至 L4，经触发整合后沉淀为 L2/L3 长期记忆，供后续任务复用。
GenericAgent的关键信息和使用要求
- 开发团队：由 A3 Lab（Advantage AI Agent Lab，深圳 Aquaintelling 科技与复旦大学联合研究团队）开发。
- 开源形态：核心代码约 3300 行，中央 Agent Loop 仅 92 行，以自托管 CLI 程序形式部署，命令行为原生执行界面。
- 模型兼容：模型无关架构，支持 Claude、GPT、Gemini 等主流 LLM 后端，可替换而不影响执行逻辑与工具接口。
- 上下文预算：默认将活跃上下文控制在 30k token 以内，采用字符域启发式（α≈3 chars/token）进行预算管理。
- 执行边界：单会话默认 30 轮执行上限，支持通过子 Agent 派发实现多进程隔离与长程任务拆分。
- 使用门槛：需配置 LLM API Key，具备本地计算环境运行权限，适合有技术背景的用户自托管部署。
GenericAgent的核心优势
- 极致 Token 效率：在 Lifelong AgentBench 上用 222k 输入 token 实现 100% 完成率，较 Claude Code 降低 72.3%，较 OpenClaw 降低 84.5%。
- 持续自进化：9 轮重复任务后 token 消耗下降 89.6%，LLM 调用从 32 次收敛至 5 次，实现”冷启动-快速收敛”的复利效应。
- 极简架构：3300 行核心代码 vs OpenClaw 的 53 万行，极简设计使 Agent 具备读懂并修改自身架构的潜力。
- 高密度记忆：装入 20 个技能后完整 prompt 仅 2298 token，较 Claude Code（22821）、Codex（23932）、OpenClaw（43321）降低一个数量级。
- 强网页能力：在 WebCanvas、BrowseComp-ZH、Custom Tasks 上得分均超 OpenClaw，token 消耗仅为其 1/4-1/3。
GenericAgent的项目地址
- GitHub仓库：https://github.com/lsdefine/GenericAgent
- arXiv技术论文：https://arxiv.org/pdf/2604.17091
GenericAgent的同类竞品对比
| 维度 | GenericAgent | OpenClaw | Claude Code |
|---|---|---|---|
| 核心代码量 | ~3,300 行 | ~530,000 行 | 未公开 |
| 原子工具数 | 9 个 | 18 个工具工厂 + 插件 | 53 个 |
| 上下文策略 | 30k 压缩窗口 | 依赖 1M 扩展窗口 | 依赖长上下文 |
| Lifelong AgentBench 完成率 | 100% | 70% | 75% |
| Lifelong AgentBench 输入 Token | 222k | 1.43M | 800k |
| 自进化能力 | 经验沉淀为 SOP/代码 | 无显著收敛趋势 | 无跨会话记忆 |
| 记忆架构 | 四层分层按需加载 | 检索增强原始日志 | 无持久记忆 |
| 网页浏览 Token 效率 | 0.18M (WebCanvas) | 0.71M | 未评测 |
GenericAgent的应用场景
- 长程软件工程：GenericAgent支持 GitHub 仓库研究、多文件代码重构、复杂代码编辑与调试等需要持续多轮交互的开发任务。
- 自动化网页浏览：GenericAgent能执行电商价格比较、上市公司报告提取、航班查询导出、新闻订阅流验证等需要跨页面操作的信息检索任务。
- 金融与商业分析：在 RealFin-benchmark 等场景中完成动态金融数据爬取、财务报表分析等数据密集型研究任务。
- 政府与教育机构服务导航：完成政府服务网站导航、大学课程归档等需要跨页面状态转移的复杂流程自动化。
- 终身个人助手：作为跨会话累积用户偏好、工作习惯与外部服务知识的个人 Agent，持续进化以适配用户长期需求。