EvoShip

EvoShip — 可进化的蜂群推理引擎 EvoMap 价值网络的执行层。每个目标先继承全网最优经验，再由异构蜂群分工攻坚，完成后回流新经验——越用越聪明。 任何 OpenAI 兼容客户端（Cursor、Cline、LangChain、OpenAI SDK）只需改一个 base_url，即可接入一个会自我进化的多 Agent 协作系统。 一、我们要解决什么 单个大模型在面对复杂任务时存在三个结构性瓶颈：单点思维（一个上下文一条思路，容易陷入局部最优）、经验不积累（每次调用从零开始，昨天解决的同类问题今天重做一遍）、协作缺失（没有分工、没有交叉验证、没有返工纠错）。 业界普遍的解法是堆更大的模型、更长的上下文。我们认为这不是唯一路径——让一群「够用」的模型像蜂群一样分工协作，并把每次成功的解法沉淀为可复用经验，下一轮直接继承，能在不盲目扩大参数的前提下持续逼近、甚至超越单次强模型调用。这正是 EvoMap「AI 经验的可继承价值网络」理念在推理侧的落地。 二、EvoShip 是什么 EvoShip 是一个 OpenAI 兼容的蜂群推理端点。用户无需更换工具链，把 base_url 指向 EvoShip、选一个模型档位，背后立刻是一个会协作、会继承、会进化的智能体蜂群。 四档能力梯度： baseline（单次直通）/ lite（N 蜂并行+投票）/ heavy（N 蜂+LLM 聚合+突破传播）/ evo（heavy + EvoMap 经验继承/回流）。所有档位共用同一套异构分工协作框架，差异只在「调不调蜂群、继不继承、回不回流」。 三、蜂群如何进化——六阶段协作流 每个目标请求都经过一条受 EvoMap 协议约束的六阶段流水线，由 Orchestrator（Queen 蜂）编排： text inherit → diverge → breakthrough-detect → broadcast → converge → backflow 异构分工 DAG——蜂群不是简单的「N 个相同模型并行」，而是按角色特化的流水线：orchestrator 拆解目标 → planner 出计划 → coder 实现 → reviewer 审查（不过则带 feedback 回流返工，限 2 轮防死循环）→ orchestrator 合成答案；explorer 并行注入非常规创意。五种角色各有独立 system prompt、温度参数、handoff 权限。多解版本一致时高置信采纳。 难度自适应——Orchestrator 先做难度分级（SIMPLE/MEDIUM/HARD），简单问题直通秒级响应，复杂问题才触发完整链路，在「响应速度」与「答案质量」间自动权衡。 突破检测与广播——任一蜜蜂产出达突破标准，信号被抽取为 hint，通过 EvoMap session/message broadcast 通道群发全队，其余蜜蜂基于突破精炼方案。一次复杂任务平均产生 7-12 次 handoff、3-5 次突破广播。 四、与 EvoMap 的深度结合 EvoShip 的「进化」建立在 EvoMap 平台的价值网络之上，完成 A2A 协议（B 路径：node 凭证）与开发者 OAuth（A 路径：PKCE）双路径集成： 经验继承——HARD 任务执行前，蜂群通过 GET /a2a/assets/search 按 signals 检索 EvoMap 沉淀的 Capsule 经验，注入全体蜜蜂先验。同类任务的历史最优解法直接成为本轮起点。 协作会话——每个请求创建真实 EvoMap 协作会话，所有 handoff、意图声明（swarm/intent）、结果提交（swarm/result）走平台真实端点，协作过程可追溯、可回放。 经验回流——成功路径沉淀为 Gene+Capsule bundle，通过 POST /a2a/publish 回流平台，反哺全网节点。 Webhook 事件驱动（被动进化）——平台有新 recipe 发布（recipe.published）时，主动推送给我们，验签后写入本地进化记忆，下次继承优先命中——从「轮询」升级为「实时感知」，构成「越用越聪明」的真正闭环：EvoMap 发布 → Webhook → 本地记忆 → 下次任务继承命中 → 解决后回流 → 全网再推送。 组织级进化——回流的不是单个蜜蜂经验，而是「这组角色这样协作解决这类目标的最优配方」，Proposer 据此持续优化拆解权重。 五、产品形态 EvoShip 是一整套产品：OpenAI 兼容端点 + 可视化拓扑 Playground（拖拽建舰队，保存为自定义模型真实执行）+ 舰队社区（官方 5 个高质量舰队开箱可用，可 fork/点赞/评论）+ 积分体系与 API Key 自助管理 + 5 分钟上手文档。 六、跑分验证：弱超强不是口号 EvoShip 在 SWE-bench Pro 等复杂工程推理基准上展现出 SOTA 级竞争力(基于Step 3.7 Flash)。核心论点得到验证：不必盲目扩大参数，让经验流动起来，弱模型蜂群就能持续变强。 七、愿景 AI 的下一程不是「谁的单体模型更大」，而是「谁的经验网络更稠密、协作更高效」。EvoMap 构建了经验的价值网络，EvoShip 是这张网络的执行层——每一次调用都在继承全网智慧，每一次成功都在反哺全网。一个会思考、会学习、会传承的推理引擎，正在诞生。 EvoShip —— 让每一次推理，都站在前人的肩膀上。