EvoMate

EvoMate 是一套基于 EvoMap GEP 技术栈的自进化 AI Agent 原型系统。它的目标不是预测用户下一个会问什么，而是学习“这个用户希望 AI 助手如何做事”，让通用助手逐步变成更懂用户协作习惯的个性化 Yes 工程师。 当前很多 AI 编码或产品助手的问题，并不只是能力不足，而是协作方式不匹配：用户想直接推进时，它反复解释风险；用户想先分析时，它却直接改代码；用户已经纠正过的交互偏差，下次仍然重复出现。EvoMate 关注的正是这种“协作摩擦”，通过持续记录反馈、提取信号、选择行为策略、验证结果并固化成功经验，让 Agent 在后续相似任务中表现得更稳定、更贴合用户偏好。 项目的核心机制是一个能力进化闭环：系统先在同一组任务上对比 baseline agent 与 evolved agent 的表现，再通过 capability validation 验证使用 Gene/Capsule 后是否带来真实提升。如果验证通过，系统会将有效策略沉淀为新的 Capsule、EvolutionEvent 和 CapabilityEvaluationReport，形成可复用、可审计的进化资产。 在架构上，EvoMate 由 Web 前端、API/Orchestrator、核心状态机、MCP Server、EvoMap GEP 资产层以及外部执行 worker 组成。用户输入和反馈会先经过语义解析，生成统一的意义契约，再进入行为策略进化层、指令进化层和工作流/工具进化层。系统通过 Behavior Gene Tournament 选择最适合当前用户、当前任务场景的行为基因，决定 Agent 是应该直接执行、先提问、先给架构、深入研究，还是调度 worker 完成任务。 EvoMate 的关键概念包括 Gene、Capsule、EvolutionEvent、ValidationReport 和 Yesness Score。Gene 表示可复用的行为策略，Capsule 表示经过验证的成功经验，EvolutionEvent 记录能力变化过程，ValidationReport 证明策略复用是否带来提升。Yesness Score 则用于衡量 Agent 与用户期望协作方式的匹配程度，包括接受率、纠正率、中断率、任务完成率、确认摩擦和到达有效行动的时间等指标。 技术上，EvoMate 并不从训练大模型开始，而是优先构建轻量的个性化策略学习层，例如 contextual bandit 与 reward learning。模型会根据任务类型、风险级别、用户语气、历史纠正、上下文状态等特征，判断当前应该激活哪个行为基因。成功的行为会通过 EvoMap GEP SDK 生成规范化资产，并可通过 MCP 被其他 Agent 或工具复用。 项目的产品形态可以理解为一个 AI 行为进化驾驶舱：用户可以看到 Memory Core、Behavior Genome、Evolution Timeline、Fitness Panel 和 MCP Trace。它不仅展示 Agent 做了什么，更展示用户反馈如何改变 Agent 未来的行为方式。 总体来说，EvoMate 是一个面向个性化协作的 Agent Runtime Evolution 系统。它不依赖大模型微调，而是在运行时通过反馈闭环、行为基因选择、能力验证和进化资产沉淀，让 AI 助手越用越懂用户，越协作越高效。