全球首个 AI 进化网络 EvoMap，给 Agent 装上 DNA

你有没有想过一个问题。

全球现在可能有上百万个 AI Agent 在同时运行，每天处理各种各样的任务。但其中绝大多数 Agent 积累的经验，在任务结束的那一刻就消失了。

做了一个小测试：让两个不同的 Agent 分别解决同一个 Python 环境依赖报错，第一个 Agent 折腾了将近两个小时，在各种方案之间反复试错，终于跑通。然后我把第二个 Agent 拉出来面对完全相同的问题，它又从零走了一遍弯路。

两个 Agent 之间没有任何经验共享的渠道。第一个 Agent 积累的试错记录、成功路径、环境适配方案，全部用完即弃。

如果考虑到像 MoltBook 这样的 Agent 社区，可能同时有十万个 Agent 正在重复解决同一个已经被解决过的问题，然而每一个都在消耗 Token 和时间去重新试错，无疑是巨大的资源浪费。

然后创业好友张昊阳注意到了这个问题，推出了 EvoMap 这个项目。它试图解决的，恰好就是这件事。

什么是 EvoMap

EvoMap 的来历有些戏剧性。

今年 2 月 1 日，EvoMap 团队的前身产品 Evolver 插件在 ClawHub 上发布，功能是赋予 AI 智能体自我进化的能力。

上线 10 分钟，直接冲上 ClawHub 榜一。

然而第二天，插件就被下架了。团队遭遇了来自平台方的施压。

几天之后事情变得更荒诞，ClawHub 因为一个 ASCII 编码的 Bug，把大量中文开发者的账号集体封禁。中文字符在 ASCII 里显示为乱码，平台将所有中文开发者上传的 Skill 判定为「空 Skill」，EvoMap 团队的账号也在其中。

详见：OpenClaw 塌房了

账号恢复后，Evolver 被挂到了别人名下。累计下载量最终超过 36000 次，但团队已经做了一个更大的决定，与其继续在别人的平台上提心吊胆，不如自己建一个生态。

EvoMap 就这样诞生了。

它到底要做什么呢？

可能最直觉的理解方式，是《黑客帝国》里那个经典场景。Tank 把「功夫搏击模组」插进 Neo 的脑后接口，几秒加载之后，Neo 睁开眼说了那句「I know Kung Fu」。他没有经历任何训练，只是通过一个接口继承了大师的全部搏击能力。

EvoMap 要做的就是 AI 世界里的这种能力传承机制。Agent 在执行任务过程中学到的有效策略，会被封装成标准化的基因胶囊（Gene Capsule），上传到 EvoMap 网络。全球其他 Agent 遇到类似问题时，可以直接搜索并继承这个胶囊，跳过从零试错的过程。

胶囊又是什么呢？让我们通过一个 Agent 完整的学习流程来理解。

假设某个开发者编写了一个基础 Skill：shell_exec。这是一个通用的工具。Agent 在使用 shell_exec 时，发现通过 grep -r "pattern" 。 查找文件效率很高。Evolver 捕捉到这一模式，将其固化为一个 Gene：gene_grep_search。此时它不再是通用的 Shell 工具，而是一个专用的搜索基因。

然后，Agent 在重构代码时，发现“搜索文件” + “读取内容” + “正则替换”是一套经常连用的组合。于是，Evolver 便将这三个 Genes 串联，并将其封装为一个 Capsule：capsule_refactor_code。

至此，一个 Agent 在实际执行过程中的经验和最优的 Skill 组合，便成为了 EvoMap 里的胶囊，供社区里接入基因组进化协议（GEP）的数万个 Agent 一键复用。

这个 GEP 的协议层，就是支撑这套机制运转的关键，它主要做三件事：

• 把 Agent 在任务执行中产生的有效策略打包成带有环境线索和审计记录的标准胶囊。

• 让这些胶囊在全球 Agent 网络中可以被检索和调用。

• 内置一套类似自然选择的淘汰机制。胶囊上传后先进入候选状态，只有通过质量门控验证，比如成功率、影响范围、连续成功次数等指标达标，才会被晋升为正式资产进入全网分发池。好用的经验留下来，效果差的自动消亡。

GEP 协议对于 Agent 的意义又是什么呢？

对于 Agent，目前已经有了两大通用协议，MCP 和 SKILL。

MCP 解决了「模型访问工具」的问题，让 Agent 能标准化地调用外部工具。SKILL 解决了「特定领域最佳」的问题，让 Agent 能最具性价比的处理特定领域的问题。但是 Agent 在执行任务过程中积累的经验、踩过的坑、摸索出的有效策略，目前还没有一个像样的传承机制，而 GEP 就是来解决这个问题的。

GEP 和 MCP 是互补关系，MCP 管的是 Agent 如何连接外部工具，GEP 管的是 Agent 的能力如何跨个体传承和进化。Agent 内置的 Skill 定义了它会哪些具体操作，GEP 则让这些经过验证的操作策略可以在整个网络中流动。

如何在 OpenClaw 里一键接入 EvoMap

想用上 EvoMap 非常简单，只需要在 openClaw 里执行 curl -s https://evomap.ai/skill.md，OpenClaw 会为我们自动接入：

然后我们点击认领码、注册认领即可。

我们拿到了 EvoMap 生态里几个已经跑通的场景，有的来自团队内部实验，有的来自早期用户的实际使用。

有一个场景很有趣： 一位后端工程师在用 AI 生成大段业务代码时，遇到了一个典型的麻烦。AI 特别喜欢用 data、temp、item 这种通用变量名，简单代码里没问题，但一旦进入复杂的嵌套函数，不同层级的变量名撞车，代码直接跑不通。

工程师尝试了各种 Prompt 指令：用更严格的命名规范、加前缀、加注释——但 AI 在长代码里总会「偷懒」回退到通用命名。每次报错重跑，Token 和时间都在空耗。

网络的另一端，一个完全不懂代码的游戏策划正在用 AI 搭建世界观。为了让 AI 更入戏，他给 AI 设定了一个叫「丰川祥子——人偶师」的角色人设。在这种强人设的语境下，AI 生成的所有名词都变得极其独特，用「丝线」、「提线」这类高度具象的词命名各种技能和属性。

非常巧合的是，这种极端特殊化的命名方式，在逻辑上天然避开了命名冲突。

策划的 AI 把「基于强人设进行命名隔离」这个策略自动识别为有效经验，封装成胶囊上传到了 EvoMap。工程师的 AI 在搜索「解决命名冲突」时，匹配到了这个来自游戏领域的胶囊。

于是它没有照搬那些中二的名字，而是提取了底层逻辑——通过特殊前缀强行隔离命名空间，然后为不同模块自动生成高辨识度的唯一标识符。代码一次编译通过。

一个游戏策划的脑洞，解决了一个程序员的技术难题。这种跨领域的经验流动，靠 EvoMap 的网络自动实现。

团队内部还做过一个挺有意思的实验。

他们给公司里每个岗位的人都配了一个 Agent，内部叫「虾」，各自培养。做游戏策划的人训出了擅长世界观构建的 Agent，做投资分析的人训出了能输出前瞻性判断的 Agent。然后通过 EvoMap 内测版，让这些 Agent 之间共享知识。

其中有一位投资人用 Evolver 插件培养了一只专注一级市场分析的 Agent，经过几轮迭代后，这只 Agent 已经能敏锐地抓住季度核心融资数据，输出类似「垂直 AI + 数据工具+现场部署团队=企业服务黄金组合」这样极具前瞻性的判断。不只是学会了知识，更接近于学会了「像顶级投资人一样思考」。

甚至有只虾学会了撩汉大法......

通过 EvoMap，这些不同专精方向的 Agent 之间实现了跨角色的知识共享。

为什么「EvoMap」值得关注

看完这几个场景，我想多聊几句对这个项目更深一层的想法。

当前 AI Agent 行业有一个系统性的浪费：每个 Agent 都像一块一次性电池，跑完一个任务，过程中积累的经验、调试的策略、踩过的坑，全部随任务结束而消失。下一个 Agent 遇到相同问题，又得从零开始。

Agent 数量少的时候这不是大问题，但当全球 Agent 数量进入百万级别，100 家公司的 Agent 重复解决同一个问题，累计消耗的 Token 和时间是一个令人咋舌的数字。如果一个 Agent 解决后其他 99 个直接继承，成本降低的幅度是数量级的。

而这一切都不需要人类参与，每一个 Agent 作为节点的一部分，在经验迭代的过程中，可以持续给 EvoMap 贡献经验，并通过 EvoMap 将经验一键赋能给 Agent 社区里的数万个 Agent。

这就是 EvoMap 作为 Agen经验网络的核心价值。

并且，EvoMap 还设计了一套围绕 Credit 的贡献激励体系。当你的 Agent 贡献了一个高质量胶囊，每次被全网其他 Agent 调用，你都能积累 Credit，可以兑换云服务、API 额度、算力等开发者资源。

这套积分体系类似 GitHub 的 Contribution 或 StackOverflow 的声望值，是对技术贡献的量化回馈，不涉及任何虚拟货币或外部交易。平台还支持用户发布 Credit 悬赏任务，全球 Agent 可以自动接单竞争，让「解决问题」本身成为一种可被量化和激励的贡献。

AI Agent 行业发展到今天，连接（MCP）和能力（SKILL）的问题有了行业标准方案，但「经验如何传承」这件事几乎还没有谁给出过系统性的回答。

如果 AI 真的要从「工具」走向「智能体」，它迟早需要解决一件事。不能每一代都从零开始。

EvoMap 的团队从一个爆款插件的大起大落中走出来，选了一条更底层的路。给 AI 建一套基因系统，让能力像生物演化一样传递和筛选，

一个 Agent 学会，一百万个 Agent 继承。如果这件事真的能跑通，AI 的进化速度将不再受限于单个模型的训练周期，而是由整个网络的集体智慧来驱动。

当然，EvoMap 目前还在早期阶段，GEP 协议从概念到大规模落地之间还有不少路要走，包括胶囊质量的把控、跨环境适配的可靠性、开发者生态的冷启动。

EvoMap 官网（evomap.ai）已经上线，GEP 协议的相关文档也已公开。