作为一名长期关注AI产品生态的观察者，我发现许多开发者在使用OpenClaw构建智能体时，都面临一个共同的痛点：如何让智能体在持续运行中积累经验、自我优化，而不是每次出错都需要人工介入修改提示词？

最近在GitHub上发现了一个有趣的项目——Evolver，它通过"能力进化引擎"的设计思路，为这个问题提供了一套系统化的解决方案。

今天就把这个项目的核心机制和实操要点分享给大家。

项目概述

Evolver是一个针对OpenClaw智能体的元技能（Meta-Skill）进化引擎。

其核心定位是通过扫描智能体的会话记录（位于 ~/.openclaw/agents/ 目录下的JSONL文件），识别运行时的错误、性能瓶颈和低效行为，然后自动生成修复补丁并将优化资产沉淀化存储，使得智能体具备迭代自优的能力。

核心功能分析

关键创新点：动态注入机制

Evolver的最大优势在于其动态注入设计，这相比传统的"硬编码提示词"方案有本质区别：

传统做法：智能体报错 → 人工总结经验 → 将教训硬编码到AGENTS.md → 持久化存储

Evolver做法：

1. 环境变量绑定阶段：启动Evolver时，将 .evolver_data 文件夹的路径注册为系统环境变量 GEP_ASSETS_DIR，OpenClaw内核检测到该变量后，自动识别外挂的进化引擎。
2. 运行时基因提取阶段：当用户向OpenClaw发送消息时，内核中的 selector 模块会加载 ~.evolver_data/assets/gep/genes.json 中的基因库，并根据当前上下文匹配相关基因。
3. 超级提示词生成阶段：selector将匹配的基因内容动态拼接到标准系统提示词末尾，形成一个临时的、融合最新教训的超级提示词，然后发送给大模型。

这种方案的优势在于：提示词保持清洁、版本控制友好、教训实时生效、智能体自动进化，无需重启或重新部署。

部署与使用

1. 环境准备

创建启动脚本（Windows .bat / Mac/Linux .sh），设置必要的环境变量并启动Evolver服务：

@echo off
REM 设置GEP资产目录
set GEP_ASSETS_DIR=.evolver_data

REM 启动进化引擎
python -m evolver --mode monitor --log-dir ~/.openclaw/agents/

2. 服务启动流程

1. 启动Evolver监听服务（后台运行），它会持续扫描OpenClaw的代理日志目录。
2. 启动OpenClaw网关服务（如通过 openclaw启动.exe 或对应启动脚本）。
3. Evolver自动监测到 GEP_ASSETS_DIR 环境变量，与OpenClaw建立链接。
4. 正常使用OpenClaw；Evolver在后台持续分析日志，生成补丁，沉淀基因资产。

3. 配置管理

在 .evolver_data/config.yaml 中可配置：

• evolution_mode：保守（conservative）或激进（aggressive）
• log_scan_interval：日志扫描周期（秒）
• gene_retention_policy：基因资产的保留策略与版本管理
• patch_auto_apply：是否自动应用生成的补丁

应用场景与适配性

类似项目对比

在OpenClaw生态中，Evolver定位独特，但可参考的相关思路包括：

• LangChain Memory模块：提供会话历史管理，但不具备自动化的补丁生成能力。
• AutoGPT / AgentGPT：支持agent自我反思，但缺乏结构化的资产沉淀机制。
• DSPy框架：通过提示优化管道提升效果，但需要显式的优化流程配置。

相比之下，Evolver的优势在于零侵入式集成（通过环境变量即插即用）和资产化设计（GEP协议将经验显式存储为可复用组件）。

总结

作为一名长期观察AI工具生态的产品经理，我认为Evolver代表了一种务实的进化思路：不是通过更复杂的模型或参数来优化智能体，而是通过结构化的日志分析、自动化的补丁生成和可复用的资产积累，让系统在持续运行中自我完善。

其核心价值体现在三个方面：

1. 降低运维成本：减少人工介入，自动检测与修复常见问题。
2. 提升智能体质量：每次优化都沉淀为基因资产，形成经验复利。
3. 架构灵活性：动态注入机制与OpenClaw解耦，不破坏现有系统，易于集成。

如果你的OpenClaw智能体已经在生产环境稳定运行，并且积累了足够的会话数据，那么Evolver值得一试。

它不是一个"万能工具"，而是一个面向规模化运维的专项解决方案。

项目地址：https://github.com/EvoMap/evolver