现在的 AI 编程助手有个老毛病：干着干着就「失忆」。上下文窗口一满，前面聊的全忘；终端一关，它立刻下班；任务一长，还容易跑偏。
Prime Agent就是冲着这些痛点来的。它是 Prime Intellect 开源的编码与研究代理（9.2k Stars，MIT 协议），主打两个关键词：自改进和长时运行。项目名字也在暗示这点：让 AI 从「一次性打工仔」，变成「会记笔记、会带新人、会自己复盘的老员工」。
GitHub：https://github.com/PrimeIntellect-ai/prime-agent
两个核心思想：像带一支会成长的团队
思想一：上下文是变量，工具是函数（RLM）
传统 AI 代理处理上下文，有点像往一锅粥里不停加料，越煮越糊，很快溢出。Prime Agent 换了个思路。它的核心是 RLM（Recursive Language Model，递归语言模型），两句口号可以概括：
- 上下文当变量（prompt-as-a-variable）：上下文不是「一串要背下来的字」，而是「要用的时候拿出来用」的变量。需要什么取什么，不需要就不占地方。
- 工具当函数调用：AI 做事不靠一堆零散的按钮，而是像写代码一样「调用函数」。读写文件、跑命令、派子代理、管理上下文，都能通过代码完成。
具体怎么做？把 IPython（一个交互式 Python 环境）当成 AI 的「常驻工位」。AI 坐在工位前，变量、数据、中间结果都摊在桌面上，跨轮次一直保留，不会因为对话翻页就丢。比如它想查一下项目里有哪些大配置文件，写两行 Python 就能查，结果留在桌面上，后面几轮接着用。
这里有个挺有意思的设计：派子代理就是「函数调用」。代码里预置了一个 rlm(...) 对象，AI 想查安全问题时，只要调一句：
handle = await rlm("Review the authentication flow for security issues", name="auth-reviewer")这行代码立刻返回一个「工单号」（handle），AI 就可以先结束这轮对话。子代理在后台独立干活，有自己的上下文和会话目录，做完后用 agent_message 给父代理「发消息」汇报。好比老板让三个实习生分头查资料，每人带个小本子，查完回来交差，老板只需要看汇总。
技能也是代码。Prime Agent 里的技能不是一份「使用说明」，而是一个完整的 Python 包，可以直接 import 进来当函数用。把某个反复出现的工作流（比如「发版前审计」）做成技能，以后就是一行 await release_audit(...)。
思想二：会复盘的工作手册（Continual Harness）
如果说 RLM 解决的是「怎么干活」，那 Continual Harness（持续作业框架）解决的是「怎么进步」。
它有一本可以随时增补的「工作手册」，里面放着补充提示词、记忆、技能描述、可复用的子代理规格。AI 平时干活时发现值得沉淀的经验，可以用 /refine 命令做一次「复盘」，把学到的东西以小而准的更新写进手册。可能是一条报错的处理办法，也可能是把某个高效流程固化成技能。
这个设计有几条原则：
- 基础提示词不可改。手册只做「补充说明」，不动模型的核心「出厂设定」，所以不会越改越乱。
- 更新可追溯。每次修改都有历史记录，状态可以回滚，学坏了也能退回去。
- 默认只在本地生效。沉淀的经验不会偷偷上传，隐私上比较安心。
架构拆解：一条流水线一样的「AI 工厂」
Prime Agent 是标准 TypeScript 多包仓库（Monorepo），分为 ai、agent、coding-agent、tui 四个包。
| 环节 | 角色 | 干什么 |
|---|---|---|
| TUI / 无头客户端 | 前台接待 | 你敲键盘、看界面；不干重活，纯展示和输入 |
| AgentConnection | 前台经理 | 管客户端和执行端之间的连接、快照、重连 |
| Daemon supervisor | 调度中心 | 找会话、路由请求、管理附件、崩溃恢复 |
| Session worker | 车间主任 | 一个会话一棵「树」，负责一个根会话的调度 |
| AgentSession | 车间工人 | 真正干活：调模型、管队列、压缩、管子代理 |
| IPython kernel | 老工匠 | 持久化环境，AI 的操作都在这里执行 |
| 模型/存储 | 原料库 | 各种大模型 + JSONL 会话记录和产物存档 |
这套架构最直观的好处是：终端关了，工厂照常生产。Daemon 后台进程会让会话、IPython 状态、子代理、定时任务继续跑，你随时可以 prime-agent attach 重新「回到工位」。再配合心跳（/heartbeat）、定时调度（schedule）、持久目标（/goal），以及带预算上限的自主模式（/autonomous），一个长任务「跑几天不掉线、不跑偏」是能做到的。
现实提醒
README 里有一段很直白的提醒：worker 和 kernel 进程隔离是为了「崩了能恢复」，不是安全沙箱。AI 生成的所有 Python 和命令，都用你的用户权限运行。所以官方建议：用一次性克隆或干净的工作副本跑它，别让它直接在你的正式仓库里横冲直撞，更不能把不信任的代码、提示词丢给它执行。
适合谁？
- 科研和评估场景：它天生适合长时自主任务，跑评测、跑实验、批量处理都是它的主场。
- 重活多的开发者：需要 AI 长时间盯着、后台跑、跨天继续的复杂任务。
- 对「AI 自我改进」感兴趣的朋友：想看看「会复盘、能沉淀经验」的代理架构长什么样，这份代码是很不错的参考样本。
GitHub：https://github.com/PrimeIntellect-ai/prime-agent