如果你还在使用去年那批只会按固定工具列表输出的“智能”编码助手，是时候面对一个事实了——它们连自我修正的门都还没摸到。Prime Agent 直接把上下文变成了可读写变量，让代理在运行时像操作数据一样操作自己的提示、技能和记忆。换句话说，AI 终于可以自己改自己的“脑子”，不是靠微调，而是靠运行时的递归语言模型。
工具调用不是智能，而是枷锁
固定函数栈的穷途末路
绝大多数编码代理的背后是一个静态的工具注册表。规划器转译需求，匹配函数，返回结果，如此循环。这条路走到尽头，就只剩下不断堆叠 prompt 长度，把上下文窗口撑得臃肿不堪。开发者心知肚明：一旦任务超出预设工具组合的能力，代理就开始原地打转，或者输出一堆自欺欺人的中间产物。问题出在 上下文 这个一直被当成只读对象的东西上——它本该是可编程的。
当子代理不再是黑箱
Prime Agent 做了一个很直接却很有反叛色彩的选择：把子代理委派设计成 REPL 内的函数调用。没错，就是那种你在终端里敲一下回车就能看到结果的 REPL。这层抽象意味着你不再把子任务扔给一个完全不透明的“智能体”，而是像调用 `fork()` 一样分出一个新的执行流，能看它的返回，也能在它中间跳进去修改状态。调试复杂工程时，这种掌控感比任何可视化仪表盘都管用。
记忆不是日志，是可演化的状态
传统代理把记忆当历史快照存下来，下一次任务再原样贴回去。Prime Agent 则把记忆当成一个活的、可扩展的结构，代理不但能写，还能事后改写、压缩、甚至丢弃无关片段。配合异步内核压缩，记忆体量不会随着时间膨胀到吃掉所有 token 预算。开发者终于可以放心地让同一个代理在多个会话之间持久存在，而不是每次都重新“失忆”。
递归语言模型：运行时的自指涉引擎
上下文变成变量，提示词成为可执行体
递归语言模型（RLM）是 Prime Agent 一切行为的主干。它不把上下文当作一次性注入的静态前缀，而是将其视为一个可以被代理自身 CRUD 的存储空间。提示词、工具描述、示例、甚至对自身能力的元认知，全部以结构化的形式存在上下文里，随时可以被修改。比如代理发现某个工具描述与当前模型版本不匹配，它能原地重写它，下一个推理步骤就用上新定义。这种 运行时自指涉 的能力，让“模型原地升级”在工程层面变得可行。
持续框架：不在重启中丢失一切
很多长期任务跑一半崩掉，不是因为模型能力不够，而是框架不允许它“捡起来继续”。Prime Agent 的持续框架（Continual Harness）解决了这个工业级痛点。守护进程跑在后台，会话可随时恢复，甚至可以把一个执行路径分叉出去做实验——失败了就切回主分支，毫发无伤。这种 分支分叉与合并 机制，无形中把代理的使用模式推向了一种类似 Git 的工作流，写代码、跑测试、探索方案，都在同一个持久化的执行图里完成。
内核压缩：时间不会吃掉上下文
长期运行的代理最怕上下文随时间线性膨胀。Prime Agent 通过异步内核压缩把过往信息提炼成紧凑的摘要或结构化记录，丢弃冗余，却不丢失决策所需的关键线索。压缩策略本身也可以通过代理自己的技能库来迭代改进——又是一个“自己修自己”的闭环。
从一条 curl 开始的开发者体验
没有安装向导，没有一长串依赖
Prime Agent 完全开源，安装方式极度克制：一行 curl 命令。这在当下动辄需要配虚拟环境、装一堆系统依赖的 AI 工具里，显得格格不入却又格外清爽。它没有把精力花在打包华丽的 UI 上，而是把核心能力直接暴露在命令行和 API 层面。对于真正每天在终端里泡着的工程师来说，这种设计等于给出了最大的可组合性——你可以把它接进任何已有流水线，而不必迁就一个黑箱平台。
守护进程与回话：跑着跑着，可以休息
后台守护进程让 Prime Agent 不再是一次性脚本。你可以启动一个任务，关掉终端去睡觉，第二天早上重新 attach 上去。恢复的不是一个冷冰冰的日志，而是完整的执行上下文，代理知道自己做到哪里、哪些子任务待完成、记忆里沉淀了什么。这种 跨会话连续性 把代理从“玩具级”拉到了“工具级”。
分支分叉：把实验成本打到零
当你面对一个高风险重构，不敢在主线上改的时候，你可以从一个运行中的会话分叉出一个独立分支，让代理在里面自由试验。成功了就合并，失败了就丢弃。分支之间共享底层记忆和技能库，但上下文状态完全隔离。这种玩法把软件工程的经典智慧带进了语言模型的工作流，而且没有丝毫概念上的迁就。
开源的下一步，谁来定义改进权
技能库不再是死配置
在 Prime Agent 的世界里，技能不是开发者在最开始塞进去的一组固定文件。代理能对自己的技能进行 CRUD——新增一个处理特定 API 的工具，修改某个解析器的 prompt，甚至退役不再适用的旧技能。这些改动可以持久化，可以被审查、版本化。从本质上讲，它把 工具进化权 交还给了代理自己，但也给你留下了完整的审计记录。你不是在放养一个黑盒，而是在管理一个会自我迭代的生产级系统。
记忆可转移，代理可复制
因为记忆、技能、提示词全部是显式的、可序列化的，你可以把一个跑了几百步的 Prime Agent 实例完整打包，发给同事或部署到另一个环境，对方直接恢复，连思维状态都不丢。这对协同开发和知识传承来说，意味着代理不再是一次性的消耗品，而是一个可以积累隐性知识的载体。
真的需要 GPT-5 吗？先让模型学会改自己
行业一直盯住模型参数规模的竞赛，却很少追问：如果模型能在运行时调整自己的上下文和行为结构，是否比等一个大版本更新更务实？Prime Agent 给出的答案是明确的。它兼容前沿模型，但不依赖任何单一厂商的路线图。你把最强的基座模型接进去，再让代理自己补完剩下的工具链和记忆策略。这个思路一旦铺开，“自我改进”可能成为评估代理框架的默认维度，而不是一个加分项。
