greyhaven-ai/autocontext

解决的问题

Autocontext 为 AI 代理提供了一个递归式自我改进框架。它解决了手动迭代代理提示词与策略的问题，通过自动化执行任务、评估结果，并仅保留成功的经验与行动手册供后续迭代使用。

运作方式

该系统以循环方式运作：接收目标，使用指定的代理提供者执行任务，并根据评估标准检验输出结果。接着，它会舍弃失败的尝试（死胡同），并将有用的见解存储至以文件系统为基础的知识库中。这些知识会以行动手册、提示与上下文套件的形式存储，并反馈给代理以供后续执行使用。

适用对象

专为希望系统性提升代理在特定任务上表现的开发者与 AI 研究人员所设计，同时也适用于使用 MCP 客户端（如 Claude Code 或 Cursor）或本地模型运行环境（vLLM, Ollama）的用户。

特色亮点

• 递归改进： 自动迭代任务以提炼稳定行为，并建立自我改进的行动手册。
• 多语言支持： 提供 Python 库/CLI 以及 TypeScript/Node CLI。
• 广泛的提供者整合： 支持多种提供者，包括 Pi、Anthropic、兼容 OpenAI 的端点以及自托管模型。
• 知识持久化： 留下详细的追踪记录、报告与上下文套件，可用于审计或作为更低成本模型的训练数据。
• 代理入口点： 与 MCP 客户端整合，并为 Pi 代理提供专属技能。