还在给AI复读你的规矩？Prime Agent 开源爆火：一行命令装，越用越懂你，ARC-AGI-3超人类-圈圈AI一站式AI资源分享平台

第一章一个能”自己变强”的AI编程Agent，来了

先说结论：这几天最炸的开源项目，是 Prime Intellect 甩出来的 Prime Agent。为什么值得你放下手里的活看两眼？就一句话——它是目前极少数”用一次比一次聪明”的编程 Agent。

你有没有过这种崩溃时刻？昨天刚跟 Cursor 讲清楚”我喜欢先写测试再写实现”，今天开新会话，它又跟没事人一样从头问你技术栈。每一个主流编程 Agent 都是”金鱼记忆”，会话一关，前面聊的全忘光。你得一遍遍复读自己的规矩，累不累？

Prime Agent 就是冲着这个痛点来的。它 8 月 5 日开源，一行命令就能装，跑在 Anthropic 的 Opus 5 上，在专门测抽象推理的 ARC-AGI-3 上拿了 95.5 分——人类专家基线才 95.4。更狠的是，它还从零手搓出了一个能跑的世嘉 MD 模拟器。这不是那种”刷题库”能作弊的成绩。开源、MIT 协议、背后是 7 月刚融了 1.3 亿美金、估值 10 亿刀的团队。分量够不够？

第二章 “上下文是变量”，这句话价值千金

Prime Agent 底层踩的是一个新范式：RLM，递归语言模型。听着玄乎，我给你翻译成人话。

普通 Agent 干活是这样的：你让它读一个文件，整个文件”哗”地全塞进上下文窗口，变成一堆 token。读 40 个文件？你的窗口就被 40 个文件的正文占满了，哪怕你只想看其中三行。每一次工具调用，都是一笔”永久税”，越读越堵，最后指令都被埋在 node_modules 的目录列表底下——这就是长任务 Agent 翻车的经典死法：上下文膨胀。

Prime Agent 换了个活法：它不直接”读”，而是写 Python。文件被塞进一个内核变量里，模型可以对它 len() 一下、正则切一刀、只挑出关心的那三个函数，然后只把这三个函数拎进自己的上下文。说白了——上下文不再是被动接收的一坨文字，而是它能随手操作的数据。

效果有多大？官方在长上下文评测 OOLONG 上，同一个开源模型 GLM-5.2，用 Prime Agent 跑出 0.700，换成普通方案只有 0.420——啥都没改，光换了处理上下文的方式，成绩提了 67%。这才是硬功夫。

第三章一行命令装好，5分钟跑通第一个任务

别怕，上手比你想的简单。官方给的稳定版安装就一行：

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

装完进你的项目目录，敲 prime-agent 启动，第一次会让你跑 /login 选模型来源。它内置支持 Claude Pro/Max、ChatGPT Plus/Pro（走 Codex）、GitHub Copilot 这些订阅账号——你有现成的会员就不用另外掏 API 的钱。想用 API key 也行，设个环境变量就认。

然后先随便问一句”帮我总结这个仓库、告诉我怎么跑测试”，确认内核启动正常。这里我必须给你划重点：第一次玩，务必指到一个可丢弃的克隆或干净的 worktree 里！因为 Prime Agent 执行模型生成的 Python 和命令，是用你的用户权限跑的，官方明说了”它不是安全沙箱”。别拿你唯一的主仓库去冒险，先建个 Git 检查点，稳。

子 Agent 即函数：一个父 Agent 扇出多个并行子 Agent，各干各的活再汇总

第四章核心玩法：让 Agent 自己开分身

这是 Prime Agent 最爽的地方——子 Agent 不是什么复杂的编排框架，就是一个函数调用。

你想让它并行干两件事？直接说：”把’鉴权’和’测试覆盖率’当成两个独立子任务，并行跑，最后汇总。”底层它就会写这样的 Python：

auth = await rlm("审查 auth/ 的鉴权流程", name="auth-expert")
api = await rlm("审查 src/ 的 HTTP 接口层", name="http-expert")

两个 await 一放，扇出就完成了，不用写 YAML、不用画 DAG、没有 supervisor 节点。这就是”子 Agent 即函数”的威力。

还有个新手最容易懵的点：rlm() 是”派活即返回”，它给你一个句柄，但不会等子 Agent 干完再返回结果。子 Agent 干完会主动向父 Agent 汇报。而且父 Agent 能在子 Agent 还在跑的时候实时”喊话”纠偏——”顺便把中间件的错误处理也覆盖一下”。这种父子、兄弟之间直接对讲的能力，是它区别于其他工具的核心。子 Agent 还扛得住内核重启、崩溃恢复，明天再来它还在。

会记忆的脚手架：把你的规矩焊进去，跨会话越用越懂你

第五章会”记仇”的Agent：越用越懂你

回到开头那个痛点。Prime Agent 用一个叫 Continual Harness（持续进化脚手架）的东西，把”金鱼记忆”给治了。

它的系统提示词、学到的”技能”、子 Agent 的定义，全都作为持久状态存下来，而且 Agent 自己能对这些状态做增删改查。你敲一句：

/refine "永远先写测试再写实现"

这条规矩就焊进脚手架里了。下个会话还在，再下个会话也在。你用得越久，它就越懂你的工作习惯，你不用再维护什么提示词库、也不用每次手动喂上下文。对那些跑好几天、跨好多会话的大项目来说，这个差别是决定性的。

它还有一套 daemon 后台架构：关掉终端，会话照样在后台跑，子 Agent、定时任务、心跳全都不断。配合 /goal 让目标跨轮次持久、/autonomous 在配额内自主推进，你完全可以把一个长任务丢给它，睡一觉起来看结果。

第六章避坑清单：这几个雷别踩

吹了这么多，也得说说它的坑，不然你上手要骂人。

它不是沙箱，安全线要自己划。再强调一遍：模型生成的代码用你的权限执行。第一次务必用可丢弃仓库，别指着你的家目录跑。
目前只官方支持 macOS 和 Linux。Windows 用户先看项目的平台说明，别当成原生 Windows 教程照抄，终端行为得单独验证一遍。
安装可能撞权限墙。全局 npm 目录写不进去是常见问题，解决办法是在测试工作区里用一个隔离的 npm prefix 重跑同一个官方安装脚本，就能干净装好，不动系统目录。
自进化循环用猛了很烧钱。按现在的模型定价，频繁触发 /refine 和递归子 Agent，token 消耗不小。还有开发者反馈生成的文件偶尔”代码膨胀”。这俩是真问题，不是能忽略的边角料。
“自我改进”别理解错。它是脚手架层面记录和优化辅助状态，不是模型自己重训练，更不等于”默认就安全”。