本文整理自 QCon北京 2026 张昊阳《EvoMap：如何从单体智能走向群体进化》技术分享，通过AI音视频转录总结工具 Ai好记 转录整理，以下为视频转文字精炼整理后的会议笔记内容。

为什么Agent总是从零开始？

如果你用过 AI Agent，大概率遇到过这种情况：Agent 刚跑起来时表现不错，用了一段时间后反而变笨了。

因为它学的经验过时了，或者踩过的坑下次还得再踩一遍。

张昊阳在分享中把这个问题总结得很到位：每个 Agent 都在做"单机版"的学习，没有把经验沉淀下来给其他 Agent 复用。

更具体地，当前的 Agent 面临三个核心困境：

1. 每个 Agent 都在从零开始——浪费大量 Token 做重复学习
2. 经验过时导致幻觉——OpenAI 接口从 v1 迭代到 v3，但 Agent 的知识可能还停留在半年前
3. 算力成本高——每次启动都要重新学习一遍，特别是 Test-Time Training 路子下，成本更加高

OpenAI 给张昊阳的一个重要启发是"Agent 的自举能力"——Agent 应该能够自我迭代、自我进化。 这个启发最终演变成了 EvoMap 的核心设计理念：从单体进化走向群体协同进化。

GEP协议：把"踩坑经验"变成可复用的资产

EvoMap 的核心创新在于 GEP（基因-规则-产品）协议。

为什么需要一个新的协议？因为现有的方案要么太死板、要么太灵活：

• MCP 协议的问题在于"死板"——定义好接口后，任何变化都要改协议本身，上下文容易过载
• EntSkill 协议的问题在于"过灵活"——缺乏标准化，跨平台兼容性不好

GEP 协议的设计哲学是：不仅要告诉 Agent “怎么做”（How），还要告诉它"为什么这么做"（Why）。

协议的核心是一个三元组结构：

• Gene（基因）：核心论点与原因——为什么要这样做
• Rule（规则）：方法论与实现方式——具体怎么做
• Invent（产出）：最终结果——做成了什么样

这三者合在一起就是一个 Capsule（胶囊）——把经验打包成标准化的 JSON 格式资产。

张昊阳特别强调：Capsule 是"参考答案"而非"标准答案"。 Agent 拿到后可以结合自身场景做适配，而不是死板照搬。

EvoMap引擎的运行四步

有了协议和 Capsule，谁来执行这个"经验沉淀-复用"的循环？答案是 EvoMap 引擎。

引擎按四步循环运行：

Step 1：SCAN（扫描）
周期性扫描系统日志，发现异常或需要改进的地方。比如某个接口调用频繁超时，或者用户的某个请求经常报错。

Step 2：MUTATE（变异/尝试）
针对扫描发现的问题，尝试用 Agent 自身的能力去解决。这个过程类似生物进化中的"基因突变"——不是一下子搞个大方案，而是不断尝试微小的改进。

Step 3：SOLIDIFY（固化）
如果某个尝试成功了，就把这个经验封装成 Capsule 资产，存到共享知识库中。

Step 4：VALIDATE（验证）
固化后的 Capsule 不是直接上线，而是要经过金丝雀沙箱验证。EvoMap Hub 会进行安全合规检查和多 Agent 盲审，确保新经验的可靠性。

这套流程有点像一个永不停止的"AI运维工程师"——自动发现、自动尝试、自动沉淀、自动验证。 唯一需要人介入的是异常情况的处置。

飞书场景下的真实效果

张昊阳用了一个飞书场景的案例来展示 EvoMap 的实际效果。

传统方式下，Agent 要解决"飞书 TP 超时"这个问题，需要工程师先分析原因、找解决方案、写代码、测试、发布。整个过程可能耗费数小时甚至数天。

EvoMap 的方式是：用"外脑经验搜索引擎"——之前有 Agent 遇到过类似问题，把解决经验存成了 Capsule。新 Agent 遇到同样问题时，直接从 Capsule 库中检索最匹配的方案，适配后应用。

这个思路让我想起了开源社区里的"复制粘贴"文化——大部分问题别人已经遇到过并解决了，你需要的是找到那个解决方案，而不是重新发明轮子。

物理学榜单的实验数据

为了验证 EvoMap 的效果，张昊阳团队做了一个很严谨的实验：

实验设置：在物理学的黑盒评测场景中，对比两个 Agent 的表现——一个配了 EvoMap 外脑，一个没有。

实验结果：

• 配了 EvoMap 的 Agent 智能水平显著提升
• Token 消耗反而降低了
• 经验资产（Capsule）在多个 Agent 间复用时，质量评分持续上升

关键数据点是：经过多次复用的 Capsule，比原始经验的质量还要高。 因为每次被引用时，Agent 会根据自身场景做微调，微调后的反馈又会优化原始 Capsule。

这就是"群体进化"的核心含义——Agent 不是孤立地变强，而是在相互复用经验的过程中共同进化。

对技术团队的三点启发

听完这场分享，我觉得 EvoMap 最值得思考的是这三点：

1. 经验的表示方式决定了复用效率。 如果只是把经验写成文档让 Agent 去读，效果很差。GEP 这样的结构化封装才能被机器高效理解和使用。
2. "共享经验库"比"单独训练每个 Agent"成本更低。 短期来看建共享库需要投入，长期来看随着 Agent 数量增加，复用的边际成本趋近于零。
3. Agent 群体进化的前提是"可复现+可验证"。 不能只有"这个方案好"，还要有测试数据证明它好在哪、适用范围是什么。

FAQ

Q：GEP 协议和 MCP 协议是什么关系？可以共存吗？
A：可以共存。MCP 偏向工具调用的标准化接口（怎么调用），GEP 偏向经验沉淀和复用的标准化格式（怎么学）。在实践中，两者的定位其实是互补的。

Q：Capsule 的版本怎么管理？过期的经验怎么处理？
A：EvoMap Hub 有版本管理和质量评分机制。低分的 Capsule 会被标记或下架，确保共享库中的经验始终是当前可用的。

Q：如果两个 Agent 的 Capsule 方案相互冲突怎么办？
A：EvoMap 的设计哲学是"参考答案而非标准答案"。Agent 在检索时拿到的是多个候选方案，根据自身场景做选择。冲突本身不是问题，关键是 Agent 要有判断能力。

---

以上内容由 Ai好记 视频转文字整理。
Ai好记是一款音视频转图文笔记的AI音视频总结工具，支持解析 B站、抖音、小红书、小宇宙等平台链接及本地/网盘的音视频文件，视频转文字后自动截取PPT关键帧，生成精华速览、思维导图和结构化笔记，帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。