Prime Agent：一个会“自我改进”的 AI Coding Agent

这两年 AI Coding Agent 已经越来越卷了。

从最开始的代码补全，到后来的 Claude Code、Codex，再到能够自主搜索代码、修改文件、运行测试的 Agent，现在大家关注的问题已经不再是：

AI 能不能写代码？

而是：

AI 能不能连续工作几个小时，甚至几天，并且在执行过程中不断积累经验？

最近 GitHub 上快速走红的 Prime Agent，就在尝试解决这个问题。目前项目已经获得约 9.5k Star，并登上 GitHub Trending。

Prime Agent 是什么？

Prime Agent 是 Prime Intellect 开源的一款 Coding & Research Agent。

如果只看使用体验，它和 Claude Code、Codex CLI 有些类似：进入一个项目目录，然后直接告诉 Agent 要完成什么任务，它可以读取代码、修改文件、执行 Shell 命令，并调用各种工具。

但 Prime Agent 最核心的特点并不是“会写代码”。

它强调的是两个概念：

Recursive Language Model（RLM） 和 Continual Harness。

简单理解，就是让 Agent 不再局限于传统的：

读取上下文
↓
思考
↓
调用工具
↓
返回结果

而是拥有一个可以持续运行的执行环境。

Prime Agent 内置了持久化的 IPython 环境，文件操作、Shell 命令、工具调用、SubAgent，甚至上下文管理，都可以通过程序完成。

这让它更像一个真正运行在电脑里的“程序员进程”，而不仅仅是聊天窗口里的大模型。

很有意思的设计：递归调用 Agent

Prime Agent 的一个核心能力叫 rlm(...)。

主 Agent 可以通过它创建新的子 Agent，让子 Agent 分别处理不同任务，然后把结果返回给自己。官方将这种方式作为 RLM 编程模型的一部分。

例如面对一个大型项目时，可以变成：

Main Agent
   │
   ├── SubAgent A：分析项目架构
   │
   ├── SubAgent B：定位 Bug
   │
   ├── SubAgent C：研究依赖库
   │
   └── SubAgent D：执行测试
           ↓
       汇总结果
           ↓
       Main Agent 决策

这和普通的“模型调用工具”有一个很明显的区别。

Agent 本身也变成了一种工具。

主 Agent 不一定要亲自阅读所有文件、完成所有分析，而是可以把问题拆解之后交给多个 Agent，再根据返回的信息继续决策。

这其实越来越接近真实的软件团队协作模式。

Agent 也开始拥有自己的“经验”

Prime Agent 更值得关注的一点是它的 Continual Harness。

传统 Coding Agent 每次启动之后，虽然可以读取 AGENTS.md、CLAUDE.md 或 Skill，但这些规则通常都是开发者提前写好的。

Prime Agent 则加入了 /refine 机制。

Agent 可以回顾当前任务执行过程，把经过验证的经验保存为补充 Prompt、Memory、Skill 描述或者可复用的 SubAgent 配置。官方强调，这些更新不会直接修改基础 System Prompt，而且会保存历史快照，可以进行回滚。

比如 Agent 在一个项目里反复发现：

修改 Controller
→ 必须更新对应 DTO
→ 必须运行 integration-test

这样的模式理论上可以逐渐沉淀下来。

于是下一次面对类似任务时，它就不需要完全从零开始探索。

这也是 Prime Agent 所谓 Self-Improving Agent 的核心之一。

它并不是让模型自己重新训练自己，而是在 Agent 外部不断积累：

Memory
Skills
Prompt
SubAgent
Workflow

从工程角度看，这种方式其实比“模型自己进化”现实得多。

为什么长任务很重要？

现在很多 Coding Agent 做十几分钟的任务已经不错，但真正进入软件工程之后，经常会遇到几个小时甚至更久的工作。

比如：

分析大型项目
→ 修改几十个文件
→ 编译
→ 测试失败
→ 分析日志
→ 再修改
→ 再测试

这里最大的难点之一其实不是模型能力，而是如何让 Agent 持续工作，同时不丢失目标和上下文。

Prime Agent 因此专门设计了后台 Session、持久化 Goal、Heartbeat、Schedule、自动上下文压缩以及 Autonomous Mode。

即使终端断开，Daemon 后面的 Agent Session 和 SubAgent 也可以继续保存运行状态，之后重新连接。

这说明 Coding Agent 正在从：

“一次对话完成一次任务”

慢慢走向：

“启动一个长期运行的软件工程 Agent”。

Coding Agent 的下一阶段，可能不是更强的模型

Prime Agent 让我觉得比较有意思的一点，是它把很多精力放在了模型之外。

现在大家很容易把 Coding Agent 的效果归结为：

模型越强，Agent 就越强。

但真正构建一个长期工作的 Agent，还需要解决很多工程问题：

上下文如何管理、任务如何持久化、经验如何保存、多个 Agent 如何协作、任务失败后如何恢复。

Prime Agent 的思路其实是在模型外面搭建一个更加完整的 Agent Runtime。

模型负责推理，而 Runtime 负责让这种推理能够持续、复用和协作。

最后

过去我们使用 AI 编程，大概经历了这样一个过程：

代码补全
↓
Chat
↓
Coding Agent
↓
Multi-Agent
↓
Long-Running Agent

Prime Agent 所探索的，正是后面两个阶段。

未来的 Coding Agent 可能不再是你打开终端之后问一句：

“帮我实现这个功能。”

而是你给它一个长期目标，它自己拆任务、调用其他 Agent、执行测试、总结经验，然后持续工作。

到那个时候，我们与 AI 的关系可能也会从：

“我使用一个 AI 工具写代码”

逐渐变成：

“我管理着一组一直在工作的 AI 工程师。”

Prime Agent 现在当然还远没有达到这个终点，但它已经很好地展示了这个方向可能是什么样子。