大家好。
从年初的Claude Code、OpenClaw火爆全网，再到最近一个月的Hermes Agent横空出世，短短几个月，开源Agent的热度一直持续。
随着这些Agent的火爆，装了几十个Skill，天天跟AI小助理聊天，小伙伴们的Token账单是不是也开始飙升了。有些朋友感叹，现在每天跟AI助理说的话，比跟女友、老婆都多。
今天小编给小伙伴介绍一个比Hermes省10倍Token的Agent。
它的核心代码大约3k行，9 个原子工具，Agent Loop 只有 100 行左右。就这么点东西，能赋予任意一个大模型对本地计算机的系统级控制------浏览器、终端、文件系统、键鼠输入、屏幕视觉，连移动设备都能接。
Generic Agent介绍
GenericAgent（GA） 是由复旦大学知识工场实验室旗下的A3实验室（Advantage AI Agent实验室，与深圳夸夸菁领科技有限公司合作）构建的一个通用型、自进化的大语言模型（LLM）智能体系统。
GA是下一代自组织、自学习、自进化通用智能体的代表之一。它是一个拥有"生命感"，能够在用户的持续使用和调教下快速学习与成长的数字生命。这个项目最近特别火：半个月涨了5k star，登上了 GitHub trending 第一。
开源地址:
中文社区:
datawhalechina.github.io/hello-gener...
先上结论：GA强在哪？
- 任务完成率更高： 在多个基准测试中，GA实现了100%的准确率，全面领先主流智能体系统。
- Token消耗更低： 相同任务下，Token消耗仅为主流智能体系统的15%至35%，兼具成本与效率优势。
- 越用越聪明： 重复执行相同任务时，Token消耗可降低高达89.6%，真正实现"经验复用"。
- 网页浏览更强： 在复杂的多跳搜索任务中，准确率是基线系统的3倍，同时消耗更少的资源。
核心机制
GA通过四个核心机制，打造自进化智能体。
基于"上下文信息密度最大化"这一核心原则，GA通过四个紧密关联的组件实现了自进化能力。
机制一：最小原子工具集
只保留 9 个原子工具，覆盖文件操作、代码执行、网页交互、记忆管理和人机协作五大能力类。通过最小化工具数量，GA 从源头上减少了上下文中的"固定开销"------在任务执行开始之前，就让低价值的接口信息不再占用上下文预算。
机制二：分层按需记忆
传统的 Agent 要么不保留历史（每次从零开始），要么把所有历史都塞进上下文（信息爆炸）。GA 采用了一种分层记忆架构：将长期知识按重要性和类型分为多个层次，只在需要时按需加载到上下文中。GA的组织为四层架构：
- L1索引层： 紧凑指针，包括高频入口点、关键词映射和少量硬约束。
- L2事实层： 经过验证且稳定的事实信息，长期有效。
- L3 SOP层： 可复用的程序性知识，包括任务工作流、前置条件、关键执行步骤、常见失败案例及相应的调试/恢复策略。
- L4原始会话存档层： 历史执行会话，用于持久化和可追溯性。
机制三：上下文截断与压缩
即使工具定义和记忆加载都经过了精心控制，随着对话轮次的增加，上下文仍然会不断膨胀。GA 通过一套四阶段的压缩流水线，在工具返回值截断、历史轮次压缩、消息驱逐、工作记忆锚点注入等多个层面主动"瘦身"，确保活跃上下文在对话过程中始终保持简洁和任务相关。
- 工具输出截断： 控制单个消息的大小。
- 标签级压缩： 从旧消息中移除低价值片段。
- 消息驱逐： 当整体预算超出时，移除最旧内容。
- 工作记忆锚点提示词： 确保任务关键信息在驱逐后保持可见。
机制四：反思驱动的自我进化
它能将成功的任务经验蒸馏为可复用的 SOP、代码和Skill，存入长期记忆。这意味着，当下次遇到类似任务时，GA 不需要在上下文中重新探索整个解决方案，而是直接调用之前积累的精炼经验------将交互轨迹逐步转化为紧凑的、结构化的能力。
上图为GenericAgent的整体框架。四大核心机制------最小原子工具集（右边）、分层记忆（左边）、自我进化（底部）和上下文截断与压缩（整个运行过程）------在信息生命周期的不同阶段协同优化信息密度。
安装与配置
话不多说，直接实际安装体验一把。
安装python
要确保本地已经安装了Python，版本推荐3.11 或 3.12
安装源码
直接下载源码到本地：从github仓库下载zip文件或者用git clone
js
git clone https://github.com/lsdefine/GenericAgent.git安装最小依赖
以Winows环境为例，在终端中，cd到源码目录。
执行以下命令安装最小依赖
js
pip install streamlit pywebview
这里没有报错，提示所有依赖都安装好了。
配置大模型API-KEY
先执行命令，复制下配置文件
js
cp mykey_template.py mykey.py然后进入配置文件里，找到你要配置的厂商配置块，小编这用的是Minimax的
如果你有多个大模型配置，都配置完之后，一定记得要在mixin配置中的llm_nos里，配置好模型name，我这里是minimax-oai。因为GA这边，会根据mixin中的配置，当第一个默认模型出现调用失败（比如额度用完，调用失败等），会自动切换到备选模型。小编这里只有一个，所以没有添加备选，
启动GenericAgent
输入以下命令
js
python launch.pywWindows环境下可以看到这个页面，就说明启动成功了
我先让他看了下目前使用的是哪个模型，回答的是MiniMax，跟我在配置文件中配置的是一致的，接下来我让他自己读取源代码，把未安装的依赖一起安装了。
他会自己去读源码，然后把剩余的依赖都安装好。
但是看到，他说机器人功能是可选依赖，没有安装，继续让他安装就行。
机器人都安装好了，接下来我们找一个机器人来安装测试下。
比如我想安装微信的，直接在对话框中，跟他说我要安装微信个人号，让他先去看源码，然后引导我来安装。
继续跟他说，可以开始扫码登录。然后出问题了，第一次的时候在终端没有出现二维码，然后继续反馈给他，第二次，他直接打开本地的图片查看器，把二维码输出了
用微信扫下，跟openclaw和Hermes Agent，弹出一样的链接页面
然后就可以在微信中和GA聊天了。
到这里Generic Agent的安装和连接机器人就成功了。
以上就是今天的分享，希望对大家有所帮助。
我在持续记录 AI Agent 实战开发和行业判断，感兴趣的话搜一下微信公众号：码农的AI客栈，欢迎交流 🍺