greyhaven-ai/autocontext

解决的问题

autocontext 为 AI 代理提供了一个递归自我改进框架。它通过自动化执行任务评估、提取有用的经验并摒弃死胡同，来解决代理不一致和失败的问题，确保代理在未来的迭代中能在给定目标上表现得更好。

工作原理

该系统以循环方式运作：它接收一个自然语言目标，使用指定的代理提供商（例如 Anthropic、OpenAI 或通过 vLLM/Ollama 的本地模型）执行任务，并评估结果。然后它会生成产物——包括剧本、报告和数据集——作为下一次运行的上下文。

关键技术机制包括：

• 结果门控上下文包：不可变的改进候选项在启用前，会先经过评估筛选和确认。
• 因果归因：系统使用基于消融实验的归因分析，来确定哪些特定的上下文变更真正改善了结果，防止低价值的编辑被提升。
• 持久性活动：长时间运行的评估通过重启安全的调度和计费机制进行管理，以避免产生重复的提供商成本。
• 提炼：稳定的行为可以通过 train 命令提炼到成本更低的 Python 运行时中。

适用人群

它专为正在构建代理的开发者和 AI 研究人员设计，帮助他们超越手动提示工程，转向系统化、证据驱动的代理优化和可靠性方法。

亮点

• 多提供商支持：兼容 Pi、Anthropic、OpenAI、OpenRouter 以及自托管的本地模型。
• 文件系统优先架构：所有踪迹、生成内容和知识（剧本、提示）都以文件形式存储，便于检查和差异比对。
• MCP 集成：可作为 Model Context Protocol (MCP) 服务器提供服务，以便在 Claude Code 或 Cursor 等客户端中使用。
• 内核演化：支持专门的研究，用于优化如 matmul 和 causal-attention 系列等低级操作。
• TUI 和 CLI：提供命令行界面和终端用户界面，用于管理和监视运行过程。