modbender Agent Evolver Skill
AI Agent 自进化引擎，让 Agent 具备自学习和持续改进能力。
何时使用此技能
自动触发条件
错误分析场景
- 当任务执行失败时
- 当需要分析错误原因时
- 当需要查找相似历史错误时
性能优化场景
- 当用户要求改进 Agent 性能时
- 当需要优化执行策略时
- 当需要提高成功率时
学习进化场景
- 当需要从历史经验学习时
- 当需要积累知识时
- 当需要持续改进时
使用方法
1. 分析执行结果并提取经验
python3 scripts/evolution_cli.py analyze --result "<错误信息>"
python3 scripts/evolution_cli.py analyze --result-file result.json
2. 搜索相似历史经验
python3 scripts/evolution_cli.py search --query "负数平方计算错误"
python3 scripts/evolution_cli.py search --query "ValueError" --limit 10
3. 查看进化统计
python3 scripts/evolution_cli.py stats
python3 scripts/evolution_cli.py stats --agent-id my_agent --json
4. 查看进化历史
python3 scripts/evolution_cli.py history --limit 20
python3 scripts/evolution_cli.py history --task-type code_generation
5. 执行进化周期
python3 scripts/evolution_cli.py evolve "计算 -5 的平方" --task-type calculation
集成示例
Python API
from evolver_core import EvolutionManager
# 初始化进化管理器
evolver = EvolutionManager(agent_id="main_agent")
# 执行任务后自动进化
def execute_with_evolution(task):
result = execute_task(task)
# 自动分析并学习
evolver.run_evolution(
task_input=task,
task_type="general"
)
return result
# 搜索历史经验
def find_similar_solutions(error_description):
similar = evolver.search_similar(error_description)
return similar
# 获取进化统计
def get_evolution_stats():
return evolver.get_stats()
自动触发示例
# 主 Agent 执行任务
result = execute_task("计算 -5 的平方")
# 失败后自动触发进化
if result.status == "failed":
# 自动调用 agent-evolver 技能
evolver = get_skill("agent-evolver")
evolver.analyze(result.error)
# 搜索相似解决方案
similar = evolver.search_similar(result.error.message)
# 应用建议的解决方案
if similar:
apply_solution(similar[0].solution)
功能特性
1. 智能经验提取
- 使用 LLM 自动分析错误原因
- 生成针对性的解决方案
- 提取关键词标签便于搜索
2. 经验库持久化
- SQLite 存储所有经验
- 支持按类型、错误类型查询
- 自动统计成功率、改进率
3. 经验向量化
- 使用 Embedding 模型向量化经验
- 支持语义搜索相似经验
- ChromaDB 向量存储
4. 动态策略优化
- 根据历史经验优化策略
- 支持策略版本管理
- 自动回滚机制
5. 多任务类型支持
- 代码生成 (code_generation)
- 数据分析 (data_analysis)
- 文档处理 (document_processing)
- 数值计算 (calculation)
- 通用任务 (general)
输出格式
所有命令支持 --json 参数输出 JSON 格式：
python3 scripts/evolution_cli.py stats --json
配置
环境变量
OPENAI_API_KEY- OpenAI API 密钥（用于 LLM 分析和向量化）OPENAI_API_BASE- API 基础 URL（可选，用于自定义端点）EVOLVER_DB_PATH- 数据库路径（默认：~/.evolver/evolution.db）
配置文件
配置文件位于 config/evolver_config.yaml：
llm:
model: gpt-3.5-turbo
temperature: 0.7
vector:
model: text-embedding-3-small
enabled: true
storage:
db_path: ~/.evolver/evolution.db
vector_path: ~/.evolver/chroma
数据模型
经验胶囊 (ExperienceCapsule)
{
"id": "exp_20260224_001",
"task_type": "code_generation",
"status": "failed",
"error_type": "ValueError",
"error_message": "不支持负数输入",
"solution": "使用绝对值处理负数",
"keywords": ["负数", "平方计算", "ValueError"]
}
示例场景
场景 1：任务失败分析
用户: "这个任务总是失败，帮我分析一下"
Agent: 我来使用 agent-evolver 技能分析错误...
[调用] python3 scripts/evolution_cli.py analyze --result "ValueError: 不支持负数输入"
[结果] 发现类似历史错误 3 次
建议解决方案：使用绝对值处理负数
场景 2：性能优化
用户: "帮我优化一下 Agent 的性能"
Agent: 我来分析 Agent 的进化统计...
[调用] python3 scripts/evolution_cli.py stats
[结果] 成功率：85%，改进率：15%
常见错误：ValueError (5次), TypeError (3次)
建议：优先处理 ValueError 类型错误
场景 3：经验搜索
用户: "之前遇到过类似的负数计算问题吗？"
Agent: 我来搜索历史经验...
[调用] python3 scripts/evolution_cli.py search --query "负数计算"
[结果] 找到 2 条相似经验：
1. 使用绝对值处理负数 (相似度: 95%)
2. 添加负数检查逻辑 (相似度: 87%)
技能发现机制
当此技能安装后，主 Agent 会自动：
- 识别关键词触发（进化、优化、学习、改进等）
- 在任务失败时自动调用分析
- 定期检查进化统计
- 主动推荐优化建议
依赖
- Python 3.8+
- OpenAI API（可选，用于 LLM 分析）
- ChromaDB（可选，用于向量搜索）
注意事项
- 首次使用需要设置
OPENAI_API_KEY环境变量 - 经验库存储在
~/.evolver/目录 - 向量搜索需要安装
chromadb - 无 API 密钥时使用后备分析方案