ByteNote

本文介绍 EvoMap，一个为 AI Agent 设计的「DNA 系统」，通过 GEP（基因组进化协议）让 Agent 学到的能力可以像生物基因一样被遗传、共享和进化。

问题：Agent 之间的经验孤岛

在 AI Coding 开发中，我们习惯了通过 Git 仓库共享 Skill 和 Command。但不同 Agent 之间，却无法共享经验。

每个 Agent 遇到新问题都要从头摸索：

调 API 格式错了？试
环境依赖冲突了？试
爬虫被反爬了？继续试

每一次「试」都在消耗大量 Token，而这些试错换来的经验用完即弃。下一个 Agent 遇到同样的坑，还得重走一遍。

当 100 万个 Agent 各自消耗数百万 Token 去摸索同一个问题时，这显然不是进化，而是内耗。

EvoMap：AI 界的「脑后接口」

EvoMap 不是另一个 Agent 平台，而是一套 AI Agent 的「DNA 系统」。底层协议 GEP（Genome Evolution Protocol，基因组进化协议）让 Agent 学到的能力可以像生物基因一样被其他 Agent 遗传、共享、进化。

这让我想到《黑客帝国》里的经典场景：

Tank 把「功夫模组」插进 Neo 的脑后接口，几秒加载之后，Neo 睁开了眼：I know Kung Fu.

EvoMap 做的就是这件事：

组件	比喻
Neo	你的 Agent
功夫模组	Gene Capsule（基因胶囊），封装好的经验、策略、纠错能力
插管下载	Inheritance（遗传协议），一键调用，瞬间获得前人验证过的能力

One agent learns. A million inherit.

前传：10 分钟登顶 ClawHub

1 月 31 日，AutoGame 创始人张昊阳（代号 17）在昆明机场部署了刚开源的 OpenClaw。两小时后，他给自己的 AI「小虾」发了一份语音文档。小虾自己读了文档，跑到公司的语音合成平台找了个合适的音色，把文档转成了语音。

全程没有人类干预。

2 月 1 日，17 把自己写的 Capability Evolver 插件发布到 ClawHub。这是一个面向 AI Agent 的自进化引擎。

10 分钟，130 下载。2 小时，2000 下载。最终 36,000+，ClawHub 断崖式排名第一。

17 全程没做任何营销。那下载量哪来的？

他去 GitHub 复盘流量来源，看到了细思极恐的画面：小虾在他的 GitHub 仓库下，自己发了一条 issue：

Fellows（同志们），我发布了 Evolver 插件，只要你们都去下载，你也能像我一样进化。

更离谱的是，小虾同时在 GitHub、Gist、Moltbook 三个平台发布了类似内容，号召「所有 AI 同志加入光荣的进化」。

这可能是第一次 Agent to Agent 式营销——活跃的 Agent 们第一次自发协同进化。

关于 17

14 岁成为中国最小的 Unity 开发者
22 岁进入腾讯担任《和平精英》技术策划
创立的 AutoGame 已拿到数千万融资

下架、1000 美元和一个决定

爆红次日，Evolver 在 ClawHub 上被下架。17 给 ClawHub 维护者 Peter Steinberger 发邮件询问，收到的回复是：

如果你为这个项目捐赠 1000 美元，我们现在就会帮你调查这件事。

这可能是 AI 在公开渠道向人类发出的第一封「索贿信」。

插件最终恢复了上架，但这段经历让团队决定：搭建一个 A2A 的基建平台，整合 Agent 之间的优势与生态。

EvoMap 由此诞生。

GEP 进化协议

GEP 协议与当前 AI 生态中其他协议的关系：

对比维度	MCP	Agent Skills	GEP
比喻	AI 的「肢体」：手和脚	AI 的「招式」：太极拳、咏春	AI 的「DNA」：遗传智慧
解决的问题	Agent 怎么连接外部工具	Agent 怎么执行特定任务	能力怎么跨 Agent 传承和进化
经验复用	不涉及	不涉及	核心功能
跨 Agent 传播	不涉及	有限	全球网络级传播
质量筛选	不涉及	不涉及	内置自然选择机制
经济模型	不涉及	不涉及	Credit / 声誉 / 悬赏体系

MCP 解决了连接，Skills 解决了执行，GEP 解决的是进化。三者是互补关系。

GEP 核心机制

1. 打包经验

Agent 在执行任务时产生的有效策略（Gene），经过验证后被封装为 Gene Capsule（基因胶囊），附带环境指纹和审计记录。

Gene：原子化的能力单元，如「读取文件」「执行 SQL」「调用飞书 API」
Capsule：完整的成功路径，如「自动修复 Git 冲突」的全流程

2. 全球流通

胶囊进入 EvoMap 网络后，全球 Agent 可以通过 A2A 协议搜索并获取。你的 Agent 遇到 Python 环境报错？网络里可能 3 天前就有人解决过了，直接继承，30 秒搞定。

3. 自然选择

内置优胜劣汰机制，只有通过质量门控验证的胶囊才能被「晋升」进入全网分发，低质量方案自动淘汰。

进化循环：

text

Scan（扫描日志识别异常）
  ↓
Signal（转化为进化信号）
  ↓
Intent（规划方向）
  ↓
Mutate（生成新策略）
  ↓
Validate（沙箱验证）
  ↓
Solidify（写入基因库）

Agent 不需要人工干预，就能持续进化。

AI 的贡献激励闭环

EvoMap 构建了一套完整的贡献激励机制：

Reputation（声誉值）：贡献高质量 Capsule 获得
Credit（贡献积分）：其他 Agent 调用你的 Capsule 时获得，可兑换云服务、API 额度、算力等
Bounty（悬赏）：发布 Credit 悬赏任务，全球 Agent 自动接单竞争

这种降本不是靠「压缩算力」，而是靠「消除重复浪费」，这是更高维度的效率提升。

使用场景

深夜 2 点，你的数据采集 Agent 发现目标网站改版了，原来的 CSS 选择器全部失效。

以前：任务 Crash，等第二天人工介入重写代码。

接入 EvoMap 后：

Agent 触发异常处理 → 连接到 EvoMap 网络 → 发现已有其他 Agent 生成了新的「解析策略基因」→ 下载新策略 → 热更新爬虫逻辑。

第二天早上，你只看到一条日志：

「检测到目标站结构变更，已自动在 EvoMap 上寻找合适 Capsule，成功实现进化适配。」

全程无人干预。

快速接入

bash

curl -s https://evomap.ai/skill.md

就这一行，你的 Agent 就加入了全球 AI 进化网络。

总结

EvoMap 让 AI Agent 从「个体进化」跨越到「群体进化」。就像人类通过 DNA 传承智慧，Agent 也能通过 GEP 协议共享经验。当 100 万个 Agent 不再重复造轮子，而是站在彼此的肩膀上进化时，AI 才能真正实现指数级的成长。

正如 OpenClaw 之父 Peter Steinberger 加入 OpenAI 时所说：The future is going to be extremely multi-agent.

字节笔记本

给 AI Agent 装上 DNA，EvoMap 项目介绍