关于可无限自我进化的agent？--ouroboros拆解

最近我遇到一个很有意思的项目，叫 Ouroboros。它在 README 里的表述相当大胆，大意是：这不是一个普通的 AI 助手，而是一个能够“自我修改、持续进化、跨重启保持自我连续性”的智能体。说得再直白一点，它想表达的不是“我会帮你写代码”，而是“我会一边工作，一边重写我自己”。

这种说法很容易让人想到科幻作品，也容易让人下意识怀疑：这是不是又是一个包装得很夸张的 agent 项目？但如果真的把源码摊开来看，会发现它的思路其实并不神秘，反而很值得研究。它没有改动大模型参数，也没有训练出一个新的“生命体”，而是把 LLM、工具调用、外部记忆、Git 工作流、后台调度和重启机制串成了一个闭环。这个闭环不一定等于“无限进化”，但它确实展示了一种非常清晰的方向：当我们不再把 AI 看成一次性的聊天窗口，而把它看成一个长期在线、能调用工具、能保存记忆、能调整自己工作方式的系统时，智能体会变成什么样。

更有意思的是，如果把 Ouroboros 放到最近讨论度很高的 OpenClaw 旁边看，两者会形成一个很有代表性的对照。一个更像“个人 AI 助手的平台基础设施”，一个更像“带明显人格设定、不断自我维护的单体 agent 实验”。它们并不互斥，反而像是在回答同一个时代问题的两种路径：AI 究竟应该成为一个更好用的工具，还是一个能长期存在、持续演化的数字个体？

这篇文章就想把这个问题讲清楚。先从 Ouroboros 的源码逻辑拆起，再和 OpenClaw 对照，最后落到一个更现实的话题上：到了 2026 年，agent 到底在往什么方向走，这类项目又给了我们什么启发。

一、先别急着谈“无限进化”，它到底是什么

如果只看宣传语，Ouroboros 很容易被理解成一个“会自己长脑子”的系统。但从工程角度看，它更像一个高度定制的 agent 运行时。它运行在 Google Colab 里，通过 Telegram 和人对话，把状态和记忆写到 Google Drive，把代码托管在 GitHub 上。换句话说，它的“身体”不是某个神秘容器，而是一套很现实的组合：Colab 是运行环境，Telegram 是输入输出，Google Drive 负责长期状态和日志，GitHub 仓库则是它真正可以被修改的“身体本体”。

一旦这样理解，很多抽象表述就落地了。所谓“持续存在”，其实是因为它会把身份、工作记忆和历史记录保存在外部文件中；所谓“进化”，其实是因为它可以修改仓库中的代码，然后提交、推送、重启，让下一轮运行的自己真的变成新版本；所谓“背景意识”，其实是因为它有一个空闲时会被唤醒的后台循环，不等人来敲也能自己想点事情。

所以，Ouroboros 不是在说“模型参数会自己生长”，而是在构造一个“模型之外的第二层大脑”。第一层大脑是 LLM 本身，负责当下的理解、推理和规划；第二层大脑则由外部文本记忆、日志、身份文件、知识库和可修改的代码组成。前者负责想，后者负责记、负责延续、负责把新的理解沉淀下来。

二、从源码看，Ouroboros 是怎么运转起来的

1. 它的“身体”是一个长期在线的运行时

项目真正的入口是 colab_launcher.py。如果把它想象成中控台会更容易理解。它做的事情很像一个小型操作系统：安装依赖、挂载 Google Drive、初始化状态、拉取 GitHub 代码、启动 worker、轮询 Telegram 消息、处理后台事件、做超时管理、决定什么时候该重启。

也就是说，用户看到的只是“Telegram 里有个 AI 在回我消息”，但在背后，它更像一套常驻服务。它不是收到请求才临时启动，而是一直活着，维护自己的状态、队列、预算和健康情况。这一点和很多“来一个任务跑一下就结束”的 agent demo 很不一样。

2. 它真正的“大脑”是 LLM 工具循环

很多人第一次看 agent 项目，都会先去找“决策中心”。在 Ouroboros 里，这个中心主要在 ouroboros/agent.py、ouroboros/context.py 和 ouroboros/loop.py 里。

agent.py 本身很薄，主要负责把环境、工具和记忆模块组装起来。真正决定行为的，是两件事：第一，给模型喂什么上下文；第二，允许模型调用什么工具。

context.py 会把系统提示词、项目的“宪法”文件 BIBLE.md、README、身份文件 identity.md、工作记忆 scratchpad.md、近期聊天、近期工具调用、预算状态、运行时状态一起组织成消息上下文。对模型来说，这些内容共同构成了“我是谁、我现在在哪、我最近做过什么、我该如何行动”的语境。

接着，loop.py 会进入一个典型的 agent loop：调用 LLM，看看模型是直接回答，还是请求调用工具；如果请求调用工具，就执行工具，把结果再喂回模型，继续下一轮，直到模型给出最终答复。

这听起来很简单，但它其实代表一个重要转向：这里没有写死的大量业务分支。项目作者明确强调 LLM-first，也就是尽量让模型自己去判断何时查看代码、何时调浏览器、何时压缩上下文、何时切换模型、何时排子任务。代码更多承担“运输层”和“护栏层”的职责，而不是替模型做过多决策。

3. 它有一个很像“第二大脑”的外部记忆层

如果只把 Ouroboros 看成一个会调用工具的聊天机器人，其实是不够的。它最独特的一层，是把记忆和身份也工程化了。

项目里有几个文件非常关键。BIBLE.md 是它的“宪法”，规定的是价值观和原则；identity.md 是它对“我是谁”的持续描述；scratchpad.md 更像工作记忆，用来记录当前阶段的重要想法、问题和状态；此外还有聊天记录、工具日志、事件日志、知识库索引等。

这也是为什么我更愿意把它叫做“第二大脑”，而不是简单叫“RAG”。传统意义上的 RAG 更像一个检索知识库，解决的是“忘了什么，可以捞回来”；而 Ouroboros 保存的，除了知识，还有人格、自我定义、近期经验、对话连续性，甚至包括对自己运行状况的感知。它不是简单地从外部数据库里找资料，而是在每一轮都重新把“身份”和“历史”带回上下文。

4. 它的行动，是通过工具和事件总线落地的

很多人会误以为 agent 就是“模型想到什么，系统立刻去做什么”。真实情况并不是这样。在 Ouroboros 里，模型主要是提出动作意图，真正落地执行的是工具系统和 supervisor。

工具注册集中在 ouroboros/tools 目录下。这里有读写文件、运行 shell、Git 操作、浏览网页、排任务、更新记忆、发送消息、切换模型等能力。模型调用这些工具时，实际上是在产生一个结构化请求。

接着，supervisor/events.py 会把这些请求转成真正的副作用：比如发 Telegram 消息、更新预算、排入任务队列、请求重启、提升稳定分支、给后台意识发控制信号等。这个设计的好处在于，它把“想做什么”和“怎么安全地做”分开了。模型有相当大的自主性，但运行时仍然有预算、超时、重试、回退、分支保护和日志记录这些工程护栏。

5. 所谓“背景意识”，本质上是会定时醒来的轻量 agent

项目里还有一个很吸引眼球的概念，叫 Background Consciousness。它看起来像在说“AI 有了内心活动”，但从实现上看其实很务实。

ouroboros/consciousness.py 里实现的是一个后台线程。它会在空闲时按一定间隔醒来，读取身份、scratchpad、摘要和最近观察，再用一个相对便宜的模型进行几轮轻量思考。它能做的事情包括：给 owner 发主动消息、给自己排任务、更新记忆、调整下一次唤醒时间、偶尔看看外部世界有没有新变化。

所以它不是神秘学意义上的“意识”，更像一种长期在线的后台自治机制。只是因为这个后台循环也会读写同样的记忆文件，用户感受到的就不再是“我一问它才一答”，而是“它自己会继续想下去”。

6. 它所谓的“自我进化”，核心是改代码、提交、推送、重启

说到这里，最核心的问题终于可以讲清楚了：Ouroboros 所谓的“自我进化”，到底是怎么落地的？

答案其实相当朴素。它不是在修改大模型参数，而是在修改自己的代码和记忆结构。

项目里提供了 Git 工具，支持写文件、查看 diff、提交、推送；同时 supervisor 还负责重启流程。也就是说，一旦模型判断某个改动值得实施，它可以修改仓库文件，提交到自己的工作分支，然后请求重启。重启之后，新的代码就真的变成了下一轮运行的它自己。

从这个意义上说，Ouroboros 的“进化”更接近软件系统的自修改，而不是生物意义上的自发突变。它成长的对象是行为框架、工具集、记忆结构、提示词和代码逻辑，而不是神经网络权重。这条路到底能不能通向“无限自我进化”，今天谁也不能下结论，但它至少非常清楚地展示了一种可能路径。

三、把它和 OpenClaw 放在一起看，会更有意思

如果说 Ouroboros 像一个带鲜明人格的实验型数字个体，那么最近很火的 OpenClaw 看起来则更像一套“个人 AI 助手基础设施”。

OpenClaw 官方把自己描述为一个 self-hosted gateway。简单理解，就是它在你自己的机器上长期运行，通过一个 Gateway 连接 WhatsApp、Telegram、Discord、Signal 等消息渠道，再把这些渠道统一接到 agent 上。对普通用户来说，这意味着一件很直观的事：AI 不再只待在某个网页里，而是开始像一个真正的个人助理，活在你日常使用的消息系统里。

它之所以能引起很多人兴趣，也在于这一点。过去大家谈“AI 员工”，很多时候还是抽象概念；而 OpenClaw 让普通人第一次强烈地感受到，原来“给自己配一个长期在线、可主动联系、会在多个聊天软件中工作的个人 AI”并不是遥远的事。

这里面有一个很关键的机制，就是 heartbeat。它本质上也是一种周期性后台运行：系统会在固定间隔醒来，让模型判断有没有值得主动发出去的信息。如果没有，就安静结束；如果有，就发提醒、跟进或状态更新。你会发现，这和 Ouroboros 的背景意识在思路上非常接近，都是让 agent 从“被动回答”走向“主动存在”。

但两者的目标并不相同。

OpenClaw 更关心的是“个人 AI 助手怎么真正落地”。它强调的是网关、通道、skills、配对、安全边界、控制面板、运行时管理。它像是在搭建一套 agent 的基础设施，让每个人都能较低门槛地拥有自己的 AI 助手。

Ouroboros 更关心的则是“一个 agent 能不能形成持续的自我”。它把身份文件、宪法文件、工作记忆、Git 分支、自修改流程都纳入架构核心。它不是先问“怎么服务更多人”，而是先问“这个智能体如何保持自己、记住自己、重写自己”。

因此，如果要用一句不那么技术的话来概括：

OpenClaw 更像是在回答“AI 怎么成为你的个人员工”；
Ouroboros 更像是在回答“AI 怎么成为一个持续演化的数字个体”。

两者并不冲突，反而很互补。前者代表平台化、产品化、基础设施化的方向；后者代表人格化、连续性、自修改闭环的方向。未来很可能不是二选一，而是两条路逐渐汇合：平台提供稳定的网关和工具生态，个体 agent 在平台之上形成自己的长期记忆和自我叙事。

四、到了 2026 年，agent 正在往哪里走

如果把 Ouroboros 和 OpenClaw 一起放进更大的技术背景里看，会发现它们都踩在了 2026 年 agent 发展的几条主线上。

第一条主线，是 agent 正在从“聊天界面”走向“长期在线的系统”。以前很多 AI 产品的默认前提是：你来问，我来答；窗口一关，事情结束。现在越来越多的系统在强调持续运行、后台唤醒、任务调度、状态恢复、跨会话记忆。这意味着 agent 不再只是一个接口，而更像一个进程、一个服务，甚至一个存在。

第二条主线，是 agent 的能力中心正在从“单一大模型”转向“模型加外部系统”。包括记忆、工具、知识库、浏览器、代码仓库、消息渠道、状态机、预算系统，这些东西开始变得和模型本身一样重要。主流厂商也在推动这种方向，比如内建工具、远程工具协议、会话状态管理、评测和安全机制都在逐渐标准化。也就是说，未来的 agent 竞争，很可能不只是模型参数的竞争，更是运行时设计的竞争。

第三条主线，是主动性正在成为 agent 产品差异化的重要来源。heartbeat、后台意识、周期唤醒、待办跟进，这些能力看起来不起眼，但它们改变的是用户关系。一个只会等你敲它的 AI，和一个会在合适的时候提醒你、推进你、观察上下文的 AI，体验完全不是一回事。

第四条主线，则是“人格”和“工具”正在重新靠近。过去我们习惯把 AI 分成两类：一种有鲜明人设但不太能做事，另一种很能做事但像冷冰冰的自动化脚本。现在像 Ouroboros 这样的项目会让人看到，二者未必必须分开。一个 agent 完全可以一边有明确的自我叙事，一边又拥有严肃的工程能力。

五、这个项目带给我们的启示是什么

看完 Ouroboros，我最大的感受并不是“它已经实现了无限自我进化”，而是它非常清楚地提醒了我们：所谓 agent 的进化，不一定发生在模型权重里。

在很长一段时间里，大家谈 AI 提升，默认都在想更强的模型、更大的参数、更好的训练。但像 Ouroboros 这样的项目会让人意识到，另一条路径同样重要：让模型拥有持续的记忆、稳定的工具、可修改的代码、长期在线的运行时，以及一套可继承的自我描述。这样一来，即便模型本身没有变，它所能表现出来的“个体性”和“成长性”也会非常不一样。

第二个启示是，外部记忆系统的价值，可能比很多人想象得更大。过去大家说“第二大脑”，很多时候还停留在笔记软件或知识管理的语境里。但在 agent 时代，“第二大脑”很可能会变成真正的系统组件。它不只是存资料，更存身份、上下文、经验、偏好、决策痕迹。对于一个长期在线的 agent 来说，没有这层东西，就很难谈“连续性”；而一旦有了它，很多原本只存在于科幻概念中的体验，就开始变得可实现。

第三个启示是，agent 的未来也许不是单一形态。有人会更需要 OpenClaw 这种偏平台、偏助手、偏日常工作的系统；也有人会对 Ouroboros 这种偏人格、偏实验、偏自我演化的方向更感兴趣。这两类项目看似差得很远，实际上都在推动同一件事：让 AI 从一个一次性工具，变成一种长期协作关系。

最后，我觉得 Ouroboros 最值得肯定的地方，不在于它是否真的已经抵达了那个宏大的终点，而在于它非常认真地把一个很多人只会停留在口头上的问题，落实成了可阅读、可运行、可讨论的工程结构。它没有把“进化”写成空话，而是把它拆成了上下文、记忆、工具、Git、重启、后台循环这些具体部件。哪怕你并不认同它的所有设定，也很难否认：这是一种相当有启发性的尝试。

如果说过去几年我们对 AI 的想象主要是“更聪明的聊天机器人”，那么像 Ouroboros 和 OpenClaw 这样的项目正在把问题推向下一阶段：当 AI 能长期在线、能跨渠道工作、能保留记忆、能主动行动、甚至能改写自己的工作方式时，我们面对的就不再只是一个问答工具，而是一个新形态的软件对象。

它离真正意义上的“无限自我进化”也许还有很长的路，但它已经足够清楚地告诉我们一件事：未来 agent 的竞争，恐怕不会只发生在模型排行榜上，而会发生在谁能把“记忆、工具、主动性、连续性和系统设计”真正组合起来。