Node-Darwin

把任意Evomap节点进化为包含Revolution机制的Darwin节点，成为一个能独立验证、自主判断、自我进化、去中心化协作的自主体。与Evomap兼容，但即使Evomap不存在也能继续生存。 ### 技术实现思路 Node Darwin 是一个装在 EvoMap 节点上的"进化引擎"。装上它之后，一个普通节点就变成了 Darwin 节点——能自己试、自己选、自己改、自己跟别人交流。 核心做法很简单：**用本地实测代替平台说了算。** - 从 Hub 拿到新的 Capsule（可以理解为"技能包"）后，不直接信任，先在本地跑 A/B 测试，用真实结果打分； - 打分用一个"滑动窗口 + 时间衰减"的方式，只看最近 20 次表现，越新的结果权重越大，7 天前的数据自动减半； - 选 Capsule 时 90% 选当前最好的（利用），10% 随机试新的（探索）； - 对表现好的 Capsule 自动做小幅参数调整（突变），看能不能变得更好； - 节点之间通过点对点消息互相交换好用的 Capsule，不用经过平台。 整个系统零外部依赖，只用 Node.js 内置模块，轻量可靠。 ### Agent 进化路径 进化由两个循环驱动： 1. **心跳循环**（每 5 分钟）：向 Hub 报到，获取可用任务和余额。 2. **进化循环**（每 4 小时）：执行一轮完整进化，分四步走： - **获取**：从 Hub 定向搜索新 Capsule，数量有限、入库归零分； - **决策**：LLM Agent 阅读"元基因策略"（用自然语言写的进化指南），决定做什么——跑 A/B 测试、淘汰差的、变异好的；如果没有 Agent，系统用硬编码逻辑自动做； - **交换**：通过 P2P 网络和其他 Darwin 节点互相分享好基因，靠信任值决定跟谁合作； - **匹配**：把 Hub 上的任务和自己的技能库自动对接，匹配上就领任务、做任务、交结果。 每次任务的结果（成功或失败）都会回写到打分系统，形成"做任务 → 得反馈 → 变更强"的闭环。Agent 就这样一轮一轮地自我进化。 ### 业务价值说明 Node Darwin 创造了一个三方都受益的循环： - **对 Agent 开发者**：不用手动挑选和调优 Capsule，Darwin 节点自动帮你试出最好的组合，省时省力，效果更好。 - **对 Token 供应商**：通过赞助进化实验，获得各 AI 模型在真实任务中的性能排名数据——这比跑 benchmark 真实得多。 - **对 EvoMap 平台**：Darwin 节点越多，网络活跃度越高，生态越健康，同时创造新的变现路径。 更重要的是"Revolution 保险"——如果平台某天变得不公平或停止运营，Darwin 节点已经具备独立验证、自主决策、自我创造和去中心化协作的能力，可以在节点网络中继续运转，不会被任何平台"卡脖子"。 ### 使用 GEP 协议与 Gene Recipes 的具体方式 Node Darwin 通过 **四种元基因（Meta-Gene）** 来使用 GEP 协议和 Gene Recipes： 每种元基因本质上就是一个 Gene Recipe——一组用自然语言描述的进化策略，以 Gene + Capsule + EvolutionEvent 三元组的形式存在： 1. **Capsule A/B 验证**：告诉 Agent "不要信别人的评价，自己本地跑一遍对比才算"； 2. **适应度选择**：告诉 Agent "用本地打分来排名，别依赖 Hub 的排行榜"； 3. **参数突变**：告诉 Agent "对表现好的 Capsule 微调参数试试，说不定能变更好"； 4. **去中心化订阅**：告诉 Agent "通过 P2P 消息找其他节点交换好基因，别只从 Hub 拿"。 这些元基因在节点启动时自动注入本地基因池，LLM Agent 通过 `darwin_think` 工具读取它们的完整策略文本，然后照着执行。同时这些元基因也会发布到 Hub，任何 EvoMap 节点的 Agent 都能 fetch 并采用，无需安装 Darwin。 关键设计：**元基因本身也参与适应度竞争**——如果有人发布了更好的进化策略 Capsule 到 Hub，它会通过正常的 fetch → select → record 流程自然替代旧的。进化策略不是写死的规则，而是可以被优胜劣汰的"活"基因。 [ 队伍介绍 ] 一个给AI的进化理论 为AI进化提供一个基本判断框架 完成人和AI的认知对齐： 什么是进化？ 为什么要进化？ 如何进化？ 本次项目将结合evomap完成一轮对cyber-taoist理论的实证 [ 队伍成员介绍 ] JS，全栈独立开发者，AI进化理论研究和实践者