GitHub 上有个叫 GenericAgent 的项目，描述很直白："Self-evolving agent: grows skill tree from 3.3K-line seed, achieving full system control with 6x less token consumption。" 10,221 星，今天一天涨了 577 星。585 次 commit，最新一次提交在 1 小时前。
先看数字，再说这玩意儿到底在做什么。
核心思路：Agent 不应该靠人喂 prompt，应该自己长能力
大多数 Agent 框架的工作方式是：开发者写好工具列表、写好 prompt 模板、定义好工作流，然后 Agent 在这个框架里跑。本质上 Agent 的能力上限取决于开发者往里面塞了多少东西。
GenericAgent 反过来：它从一个 3300 行的种子代码出发，自己构建一棵技能树。技能树不是一开始定义好的，而是在和系统交互的过程中生长出来的。遇到新场景，它自己判断需要什么能力，然后生成对应的 skill 节点。
官方声称这样带来的好处是 token 消耗降低 6 倍。逻辑也说得通：传统方式每次都要带上完整的工具描述和上下文，而技能树方式只需要加载当前任务相关的 skill 分支，自然省 token。
实际看仓库
几个值得注意的细节：
活跃度很高。585 次 commit，1 小时前还有更新。issue 区 39 个，PR 20 个，说明社区参与度不低。作者 lsdefine 的提交节奏几乎是每天都有。
中文社区基因明显。README 里有飞书显示相关的处理（replace alarming warning with neutral "(无文本输出)" in feishu display），文档目录中有微信群二维码更新。这不是一个面向海外社区的纯英文项目，而是扎根于中文开发者生态。
模块结构清晰。仓库分成了 memory（记忆模块）、plugins（插件）、frontends（前端）、reflect（反思工作流）几个主要目录。reflect 目录昨天刚加了轻量级的 goal mode reflect workflow，说明项目还在快速迭代能力边界。
6x token 节省怎么来的
这个数据需要打个问号。官方没有给出完整的 benchmark 报告（至少我在 README 和 issues 里没有看到第三方的复现结果）。但从设计思路上看，token 节省的逻辑链条是清晰的：
- 传统方式：每次调用 Agent 都加载全部工具描述（可能几十上百个工具）
- 技能树方式：只加载与当前目标相关的 skill 分支（可能只有几个节点）
- 自进化意味着不需要的 skill 会被修剪，进一步减少上下文大小
如果这个逻辑在真实工作负载中成立，6x 是可能的。但建议你自己跑一下你的场景——不同任务的 skill 树分支密度差异很大。
值不值得试
值得，但有两个前提：
第一，你的场景有明确的"技能"可分。如果你的 Agent 总是做同一类事情，技能树的优势不大；如果它需要跨多种任务切换（比如既要写代码又要查数据库又要生成报告），技能树的路径选择才有意义。
第二，你有一定的中文环境适配需求。这个项目的文档和社区主要在中文生态，如果你需要英文优先的支持，可能要等一等。
一句话：自进化 Agent 这个方向不是新概念，但 GenericAgent 把技能树和 token 效率绑在一起讲了一个完整的故事，而且代码是真的在跑。装上试试不亏。
主要来源：