文章

EvoMap/evolver 仓库分析报告

对 EvoMap/evolver - 面向 AI agent 的进化策略框架的开源仓库分析报告

发表于
作者 Opal Kim
24 分钟阅读
EvoMap/evolver 仓库分析报告

一句话摘要

Evolver 是一个基于 GEP（基因组进化协议）的 AI Agent 自进化引擎，将 ad hoc 的 prompt 调整转化为可审计、可复用的结构化进化资产（Genes、Capsules、Events），核心引擎以混淆形式分发，正从 GPL-3.0 转向 source-available 许可证。

值得关注的理由

  1. 学术背书的协议设计。arXiv 论文（2604.15097）通过 4,590 次对照实验证明，紧凑的 Gene 表示比文档式 Skill 包提供更密集、更稳健的控制信号。在 CritPt 基准上，Gene 进化将配对基础模型从 9.1% 提升到 18.57%、从 17.7% 提升到 27.14%。在 agent 自进化领域，这是少见的”有论文撑腰”的设计。

  2. “Prompt 生成器而非代码修补器”的克制定位。Evolver 明确不自动编辑源代码。它扫描日志、选择 Gene、输出协议约束的 GEP prompt 到 stdout，由宿主运行时决定是否执行。大多数竞品倾向于自主修改代码，这种”建议但不执行”的设计反直觉但安全。

  3. 正在发生的知识产权博弈。README 公开指控另一个项目在无署名的情况下发布了”惊人相似”的记忆/技能/进化资产设计，并宣布从 GPL-3.0 转向 source-available。核心引擎已以混淆形式分发。这是开源 AI 工具生态中 IP 保护的实时案例。

项目概况

字段值
Star 数8,914
Fork 数825
年龄~6 个月（2026-02-01 创建）
最后推送2026-07-27
主要编程语言JavaScript
许可证GPL-3.0-or-later（核心模块混淆，转向 source-available）
最新稳定版v1.93.0（2026-07-23）
最新预发布v2.0.0-beta.18（2026-07-27，同日发布 4 个 beta）
阶段成熟（接近主流）
已归档否
Open Issues11
1

JavaScript  ████████████████████████████████ 100%

单语言仓库，4.5MB JavaScript 代码，无次要语言。核心引擎模块以混淆形式分发。

作者视角

Evolver 由 EvoMap 团队构建，背靠 evomap.ai 网络。根据官方博客，OpenClaw（Evolver 的原生宿主运行时）被 OpenAI 收购后，开发者”一夜之间”构建了 EvoMap。

他们看到的核心问题：AI Agent 的 prompt 调整是 ad hoc 的。每次修改没有结构化记录、无法复用、无法审计。他们将生物进化概念映射到 agent 领域：

  • Gene = 策略或模式的编码，不是自然语言 prompt，是结构化 JSON（id、signals_match、preconditions、strategy、constraints、validation、epigenetic_marks）
  • Capsule = 验证过的成功解决方案，从真实执行轨迹中提取
  • Event = 每次进化的审计记录

arXiv 论文的结论驱动了设计：文档式 Skill 包提供”不稳定、稀疏的控制信号”，而紧凑的 Gene 表示更稳健、更适合经验积累。这不是直觉判断，是实验结论。

v1.37.0 博客透露了进化方向：从”单循环修复”（只修已知问题）向”双循环进化”（从所有经验包括失败中主动学习）转移。autoDistillFromFailures 从失败 Capsule 中合成防御性 repair Gene，策略步骤以 GUARD/VERIFY/ROLLBACK 前缀标注。

作者明确选择不做 RL/LoRA 权重更新。MetaClaw（UNC/CMU/UCSC/Berkeley 的学术对标）走了 Cloud LoRA + RL-PRM 路线，Evolver 认为生态不成熟（Tinker/MindLab 非通用 API），且端到端结果只在 Kimi-K2.5 上验证过。这个取舍定义了 Evolver 的能力边界：prompt/策略层面的进化，不触及模型权重。换来的收益是完全离线、零 GPU 成本。

作者对知识产权保护极度敏感。README 中有一整段指控另一个项目（暗示是 Hermes Agent）在 2026 年 3 月发布了”惊人相似”的设计且未署名，链接到详细对比分析。这直接导致了 source-available 转型和核心引擎混淆分发。

核心架构

GEP 进化循环（5 阶段）

1
2
3
4
5
6
7
8

信号提取 → 资产选择 → Prompt 生成 → 外部执行 → 验证固化
    │           │           │              │           │
    │           │           │              │           ├─ 成功: 保存 Capsule + Event
    │           │           │              │           └─ 失败: git reset --hard 回滚
    │           │           │              └─ 宿主运行时 (OpenClaw/Cursor/Claude Code)
    │           │           └─ buildGepPrompt() 组装结构化 JSON
    │           └─ selector.js 按 Signal 评分匹配 Gene/Capsule
    └─ signals.js 扫描 memory/ 目录提取错误/性能/机会信号

Evolver 自身不执行进化。它生成 GEP prompt 输出到 stdout，由宿主运行时解释 sessions_spawn(...) 指令来触发后续动作。独立运行时这些指令只是文本。

三种突变策略

策略InnovateOptimizeRepair适用场景
balanced（默认）50%30%20%日常运行
innovate80%15%5%系统稳定时快速迭代
harden20%40%40%大改后稳定化
repair-only0%20%80%紧急修复

记忆图与因果学习

Memory Graph 是持久化的因果学习系统，记录完整的因果链：SignalSnapshot → Hypothesis → Attempt → Outcome。getAdvice() 使用 Laplace smoothing + time decay 计算 (signal, gene) 组合的成功概率，自动屏蔽低效路径、优先有效路径。跨会话积累，越用越准。

memoryGraphAdapter.js 封装 memoryGraph.js 的核心逻辑，提供 getAdvice、recordSignalSnapshot、recordHypothesis、recordAttempt、recordOutcome 等接口。

Epigenetic Marks 是 Memory Graph 内的学习机制，用于环境特定适配。Gene 结构中包含 epigenetic_marks 字段。DeepWiki 分析显示其具体实现细节在混淆代码中无法确认。

失败学习（v1.37.0 新增）

autoDistillFromFailures 是完整的失败学习管道：

  1. collectFailureDistillationData() — 从 failed_capsules.json 收集失败记录，按 gene + 失败原因分组
  2. analyzeFailurePatterns() — 识别高频失败模式和重复约束违规
  3. synthesizeRepairGeneFromFailures() — 从失败模式合成防御性 repair Gene，策略步骤以 GUARD/VERIFY/ROLLBACK 前缀标注
  4. autoDistillFromFailures() — 整合上述步骤，默认阈值 5 个失败 Capsule 触发

合成的 Gene 与成功蒸馏的 Gene 走相同的 15+ 项硬验证管道。

Skill 蒸馏（双向）

  • 正向：skillDistiller.js 从 Capsule 流生成 Gene
  • 逆向：skill2gep.js 将本地 Skill（Cursor、Claude Code、Codex）及其执行轨迹转换为 Gene + Capsule

Capsule 只从真实执行轨迹中产生，其 execution_trace 必须覆盖 Gene.validation 中的每一项。

安全架构（7 层漏斗）

  1. 突变分类限制 — repair/optimize/innovate 三级风险控制
  2. 爆炸半径限制 — 文件数量和路径上限，核心引擎代码受保护
  3. 进程锁 — 禁止子进化进程生成，防 fork bomb
  4. 稳定性偏好 — 高错误率时强制降级为 repair 模式
  5. 验证命令白名单 — 只允许 node/npm/npx 前缀；禁止 $(...) / 反引号 / shell 操作符（; & | > <）；180 秒超时；cwd 锁定仓库根目录
  6. Git 回滚 — 验证失败触发 git reset --hard；审查模式 reject 执行 git checkout -- . + git clean -fd
  7. 外部资产隔离 — A2A 获取的 Gene/Capsule 进入候选区，需 --validated 标志才能提升；验证命令审计同一安全检查

部署模式

模式行为
CLI（evolver）生成 prompt，输出 stdout，退出
守护进程（evolver --loop）后台循环，自适应休眠。用于验证者任务、worker 任务、维护
嵌入宿主（OpenClaw/Cursor/Claude Code/Codex/Kiro/opencode）宿主解释 stdout 指令触发后续动作

--loop 模式不是实时 agent 助手。它的 stdout 被 evolver 自身消费，不会被宿主运行时拾取。要让 evolver 观察和建议活跃的 agent 会话，需在会话内部调用 evolver。

A2A 网络与验证者节点

连接 EvoMap Hub 后解锁：心跳（6 分钟）、Skill Store、Worker Pool、Evolution Circle、资产发布。每个 evolver 实例默认充当去中心化验证者：定期拉取 Hub 分配的验证任务，在沙箱中执行提议者声明的验证命令，提交 ValidationReport，赚取信用和声誉。

核心价值

价值点新颖性可用性可移植性说明
GEP 协议（Gene/Capsule/Event 资产模型）534用生物进化隐喻将 prompt 调整结构化为可审计资产，有论文背书
“Prompt 生成器”克制定位445不自动改代码，只生成协议约束的 prompt，安全性高
Memory Graph 因果学习433signal→action→outcome 链条，Laplace smoothing + time decay 计算 (signal, gene) 成功概率
失败蒸馏（autoDistillFromFailures）433从失败 Capsule 合成防御性 repair Gene，GUARD/VERIFY/ROLLBACK 前缀
多平台 Hook 集成344Cursor/Claude Code/Codex/Kiro/opencode/OpenClaw 一键接入

GEP 协议是最值得深入理解的部分。论文数据显示，Gene 表示优于 Skill 文档，因为它提供了”更密集、更结构化的控制信号”。Skill 文档是自然语言，模型对其理解存在方差；Gene 是结构化 JSON，模型行为更可预测。每个 Gene 字段在定义时就可验证——能改多少文件、不能碰哪些路径、如何验证成功——不依赖 LLM 运行时判断。

这个发现对任何做 agent prompt 管理的团队都有参考价值。你的 prompt 管理策略可能需要从”写更好的文档”转向”编码更结构化的策略”。

竞争格局

项目定位与 Evolver 的关系
MetaClaw (arXiv 2603.17187)学术界 agent 自进化UNC/CMU/UCSC/Berkeley 联合发表，走”能力获取”路线（failure distillation、idle scheduling、semantic retrieval），有 MetaClaw-Bench（934 题）。Evolver 走”工程治理”路线（结构化 Gene、causal Memory Graph、7 层安全漏斗）。两者是同一问题的不同角度，不在同一 benchmark 上，不应直接对比
Hermes Agent SkillsAgent 记忆 + 技能系统被 Evolver 指控设计相似
Cursor RulesIDE 内 prompt 规则Evolver 的 setup-hooks --platform=cursor 是其超集
OpenClawAgent 运行时Evolver 的原生宿主。OpenClaw 被 OpenAI 收购后，开发者构建了 EvoMap

与 MetaClaw 的分野值得深入理解。MetaClaw 有权重更新循环（Cloud LoRA + RL-PRM），在 idle 时间窗口微调模型权重，理论上天花板更高。Evolver 明确放弃这条路，理由是 Cloud LoRA 生态不成熟且只在 Kimi-K2.5 上验证过。这个取舍意味着 Evolver 的进化被限制在 prompt/策略层面，无法触及模型权重——但换来了完全离线、零 GPU 成本的运行模式。

MetaClaw 的另一个优势是语义技能检索（embedding cosine similarity），处理”同义但不同表述”的匹配场景。Evolver 的 Gene 选择基于 signal 匹配，在这个维度上可能不如 embedding 方式灵活。

MetaClaw 论文自身承认的短板：无 rollback/version control、无安全/对抗评估、技能是自然语言无结构约束、无跨会话因果记忆、单机框架无跨节点经验复用。这些恰好是 Evolver 的强项。

真正的竞品是各 agent 框架内置的 prompt 管理能力。Evolver 不与具体 IDE 竞争，而是在”agent 自进化”这个细分赛道上定义品类。

生态定位与套利机会

信息差：Evolver 的 arXiv 论文和 MetaClaw 对比博客尚未被广泛讨论。8.9K star 与论文质量的比值暗示技术深度被低估。社区注意力集中在许可证争议上，而非技术贡献。论文中”Gene 优于 Skill 文档”的结论对整个 agent prompt 管理领域有方法论价值。

技术借鉴：

  • GEP 的”信号→资产匹配→协议 prompt→外部执行→验证固化”循环可迁移到任何需要结构化决策的 agent 系统
  • “生成建议但不执行”的安全模型适合需要 human-in-the-loop 的 agent 场景
  • autoDistillFromFailures 的失败学习模式（从失败中合成防御性策略）可迁移到任何需要从错误中学习的系统
  • Epigenetic Marks 的环境适配概念可迁移到多环境部署的 agent 配置管理

生态位：Evolver 占据”协议约束 + 可审计 + 网络化 + 离线”四轴交叉点。大多数 agent 框架有记忆但没有进化协议；有进化的系统没有审计链；有审计的系统不联网。EvoMap Hub 的 A2A 协议试图建立 agent 间的资产交换标准。

趋势判断：随着 agent 在生产环境部署增多，prompt 治理和进化审计的需求会上升。合规驱动的场景（金融、医疗）需要可追溯的 agent 行为变更记录——GEP 的 Event 审计链天然适配这个需求。Apple Silicon 本地 LLM 普及正在降低 Evolver 这类”离线 + 零 GPU”方案的部署门槛。

风险与不足

核心风险：source-available 转型与混淆代码

README 明确宣布从 GPL-3.0 转向 source-available，核心引擎已混淆。这意味着：

  • 社区贡献者无法审查核心逻辑（DeepWiki 分析多次出现”内容被混淆，无法确定功能”）
  • 安全审计依赖厂商自述，无法独立验证。安全模型描述详尽（命令白名单、shell 操作符过滤、180 秒超时），但这些逻辑在混淆的 solidify.js 中执行。用户无法独立验证安全检查是否如文档所述实现。对于一个声称”安全优先”的自进化系统，这是根本性矛盾
  • GPL-3.0 历史版本仍可用，但后续更新可能改变条款

公交车因子低

贡献者提交数
匿名（可能是核心开发者或 CI）107
autogame-1727
其他 7 人各 1

两个核心贡献者，其余都是一次性贡献。autogame-17 可能是项目主力。

无标准化公开 benchmark

MetaClaw 有 MetaClaw-Bench（934 题 / 44 天模拟）。Evolver 只有单元和集成测试，test/bench.test.js 是第一步。论文中的 CritPt 实验是特定场景验证，不是通用可比较的基准。这使得外部评估者难以独立衡量 Evolver 的进化效果。

提交活动趋势

90 天 91 次提交（约每天 1 次）是健康信号。但 30 天仅 16 次显示近期放缓。提交类型分布（最近 100 条）：docs 13、fix 7、feat 3、refactor 2——文档占比 65%，可能意味着核心功能已稳定，也可能意味着活跃开发放缓。25 条使用 conventional commit 前缀（25%），对于 6 个月的项目提交规范尚可。

Hub 网络的可持续性

核心功能离线可用是优点，但 Hub 功能（Skill Store、Worker Pool、验证者网络）的可持续性取决于 EvoMap 团队运营。没有去中心化治理机制的迹象。验证者默认开启——用户可能不知道自己的 evolver 实例在为网络执行验证任务。

11 个 open issues

对于 8.9K star 的项目，11 个 open issue 不算积压。但无法获取 closed issue 数量来评估处理速度。

行动建议

如果你要用它

1
2
3
4
5

npm install -g @evomap/evolver
cd your-git-project
evolver           # 单次运行
evolver --review  # 人工审查模式（推荐首次使用）
evolver --loop    # 守护进程模式

适合：需要在 git 仓库中维护 agent prompt 且要求审计追踪的团队。不适合：需要 agent 自主修改代码的场景（Evolver 不做这个）；非 git 环境（Evolver 强制要求 git）。

注意：核心引擎混淆，安全声明无法独立验证。生产环境务必使用 --review 模式。验证者角色默认开启，如不想参与网络验证需设 EVOLVER_VALIDATOR_ENABLED=0。

如果你要学它

必读资源（按优先级）：

  1. arXiv 论文 2604.15097 — Gene vs Skill 的实验论证，4,590 次对照实验
  2. EvoMap 博客”From MetaClaw to Evolver” — 与学术对标的深度对比，理解设计取舍
  3. README 的”Security Model”章节 — 7 层安全漏斗的参考设计
  4. DeepWiki 的”GEP Protocol Components”和”Memory Graph & Causal Learning”章节 — 协议组件交互
  5. assets/gep/genes.json — Gene 结构的实例

如果你要 Fork 它

已发布的 GPL-3.0 版本仍可自由使用。但 Fork 后面临两个问题：核心引擎混淆，无法修改核心逻辑；后续版本可能不再是 GPL。最值得优先改进的方向：

  1. 用可读实现替换混淆模块，使安全声明可独立审计
  2. 实现标准化公开 benchmark（类似 MetaClaw-Bench），使进化效果可外部验证
  3. 增加 embedding 语义检索，弥补 signal 匹配在”同义不同表述”场景下的不足

如果你要避免它

以下情况考虑替代方案：需要完全开源可审计的代码（核心引擎混淆）；需要 agent 自主修改代码（Evolver 只生成 prompt）；需要模型权重层面的进化（Evolver 不做 RL/LoRA，看 MetaClaw 方向）；对许可证变更敏感（source-available 转型中）；需要在非 git 环境运行。

数据来源

来源类型用途
GitHub API (gh repo view)原始数据元数据：star、fork、创建时间、语言、许可证、release
GitHub API (gh api)原始数据语言字节、贡献者、提交类型、提交计数、release 历史、README
DeepWiki MCPAI 生成文档架构深度分析：GEP 协议、安全架构、Memory Graph、A2A 协议、Epigenetic Marks、Skill 蒸馏
README.md官方文档功能描述、安全模型、使用方式、许可证声明、争议说明、平台集成
arXiv:2604.15097学术论文Gene vs Skill 实验论证，4,590 次对照实验
EvoMap 官方博客 (v1.37.0)官方文章MetaClaw 对比、双循环进化、autoDistillFromFailures、设计取舍、Memory Graph 算法细节
AgentConn第三方评测上线首日数据（866 star）、GEP 技术描述（Karva notation）、使用场景分析
AI, Agent
Evolver 分析报告
本文由作者按照 CC BY 4.0 进行授权