ray-r-ren/agent-apprenticeship

The living ecosystem where AI agents complete tasks through workflow loops, improve through iterative execution, are evaluated by mentor agents or humans in the loop, and turn completed work into reusable work experience and data to improve future agents.

它是什么

Agent Apprenticeship 是一个开源工具包，让您可以在可重复的“工作循环”中运行 AI 代理（例如 OpenAI Codex、Claude Code、Anthropic、Gemini 等）。代理执行实际任务，导师模型（或人类）评估结果，整个执行轨迹被保存为经验编译。这些编译成为训练信号，可用于改进未来的运行。

核心理念

理念	含义
迭代工作流循环	代理可以运行多次迭代（由 `AA_MAX_ITERATIONS` 控制），直到达到满意的结果。
导师在环	第二个模型（或人类）审查代理的输出并提供存储在轨迹中的反馈。
经验编译	运行期间产生的所有文件——提示词、输出、导师反馈、经济价值估算——都被捆绑在一起，可以导出、搜索或安装为“运行时训练”。
种子数据集	一个包含 500 多个精选任务、约 1,000 个执行轨迹和约 39k 条结构化记录的 Hugging-Face 数据集，作为入门生态系统。
公共与私有生态系统	用户可以将他们的编译贡献到共享的公共池中，或将其保留为私有以供内部使用。

如何使用

安装 – 使用 npx agent-apprenticeship init（一次性）或 npm i -g agent-apprenticeship（全局）。CLI 命令是 apprentice。
配置 – 告诉工具您想要哪个 apprentice 代理（apprentice configure agent …）以及哪个 mentor 模型提供商提供 API 密钥（~/.agent-apprenticeship/.env.local）。
运行任务 – apprentice run "<natural-language task>"。该工具启动选定的代理，收集其输出，将其发送给导师模型进行评估，并重复直到配置的循环深度。
观察与检查 – apprentice watch <run_id> 流式传输进度；完成后，您可以使用 apprentice ecosystem inspect … 或 bundle check … 探索生成的经验编译。
重用知识 – apprentice learn install <compilation> 将轨迹注册为运行时训练，下一次运行可以利用它来改进其提示词或决策。
共享 – 选择性地将编译推送到公共生态系统（apprentice ecosystem export …）或保持私有。

适用对象

开发者：希望在具体任务上试验自主代理，而无需从头构建循环基础设施。
研究人员：有兴趣收集大规模代理执行数据以进行微调或强化学习。
团队：希望以可重现的方式捕获“代理工作经验”并在项目间重用。

开箱即用的功能

一个编排代理-导师循环的 CLI。
自动检测多种流行的代码生成代理（Codex、Claude Code、Cursor 等）和自定义命令钩子。
在 Hugging Face 上预填充的种子数据集，包含数百个任务-轨迹捆绑包。
用于搜索、检查、导出和安装经验编译的命令。

限制（根据 README）

系统依赖外部模型 API；您必须提供自己的密钥。
“运行时训练”是一个插件概念——README 没有详细说明安装的编译除了可供检查外，如何实际影响后续运行。
提到了经济价值估算，但未详细描述。

快速入门清单

# 1. 安装 / 初始化
npx agent-apprenticeship init

# 2. 配置模型密钥
export OPENAI_API_KEY="…"
apprentice configure model

# 3. 选择一个 apprentice 代理 (例如 Codex)
apprentice configure agent codex

# 4. 运行任务
apprentice run "Create a short market map for AI procurement tools."

# 5. 观察进度
apprentice watch <run_id>

# 6. 重用结果
apprentice learn install <experience_compilation_path>

以上所有信息均直接取自存储库的 README；未添加任何外部假设。