今天在 GitHub Trending 上看到一个有意思的项目：Prime Agent，一个基于递归语言模型（RLM）架构、完全开源的编程与研究智能体。不同于传统 Agent 在单次对话结束后丢失所有上下文，它的设计目标是让智能体能够在多轮交互中持续积累经验、自我改进，并支撑长时间运行的研究评估任务。

一、项目概述

Prime Agent 由 PrimeIntellect-ai 团队开发，核心围绕两大抽象：

递归语言模型（RLM）——将上下文视为变量（prompt-as-a-variable），将子 Agent 调用视为函数调用（programmatic tool / sub-agent calling），在一个持久化的 REPL 环境中运行。相比把 LLM 当作黑盒 prompt-reply 工具，RLM 将整个对话历史和工具调用链纳入程序化控制，使 Agent 能够真正"编程式"地组织自己的思维和行动。

Continual Harness（持续 Harness）——将补充提示词、记忆、技能描述和可复用子 Agent 规范以持久化状态存储。通过 /refine 命令，Agent 可以在每次运行后对 Harness 进行小步、基于证据的更新，逐步沉淀经验。它从不重写不可变的 Base System Prompt，所有更新记录均支持回滚。

二、技术原理

架构设计

Prime Agent 的架构分为几个关键层次：

持久化 IPython 控制环境：内置模型工具是持久化的 IPython，而非每次调用新建进程。这意味着子 Agent 的中间状态、变量、导入的模块都可以在同一进程中跨调用保留。

RLM 调用示例：

# 在 Prime Agent 中，子 Agent 以函数形式调用
result = rlm(
    "分析当前代码库的测试覆盖率",
    model="claude-sonnet",
    max_turns=20
)
# 返回子 Agent 的结果，可在主 Agent 中继续处理

多包 Monorepo 结构（Node.js >=22.8.0，TypeScript）：

包职责
packages/aiLLM 接口抽象与 Provider 管理（Anthropic/OpenAI 等）
packages/agent核心 Agent 运行时与 IPC
packages/coding-agent编程专用 Agent，包含 RLM、Harness、Skill 系统
packages/tui终端用户界面
packages/agent-old历史版本参考实现

进程隔离与恢复：Agent 运行在独立 Worker + Kernel 进程中，通过持久化机制在终端断开后仍可重新 attach。

/refine 自进化机制

/refine 是 Prime Agent 的核心自我改进机制。它的运作逻辑是：

# Harness 中存储的结构示例
{
  "supplemental_prompts": [...],   # 补充提示词片段
  "memories": [...],               # 长期记忆
  "skill_descriptions": [...],     # 可复用技能规范
  "subagent_specs": [...]          # 子 Agent 模板
}

每次执行 /refine 时，Agent 会：

  1. 回顾当前轨迹（trajectory）
  2. 识别有效的小步改进（small, evidence-backed updates）
  3. 将改进写入 Harness 的对应区块
  4. 记录快照，支持按需回滚

这样做的好处是经验积累不会污染 Base System Prompt，同时每次改进都可审计、可回滚。

三、安装与快速开始

环境要求

  • 操作系统：macOS 或 Linux
  • Node.js：>= 22.8.0（核心运行时）
  • 网络：需要能够访问 app.primeintellect.ai（用于下载安装包）

一键安装

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

安装脚本会自动：

  1. 下载对应平台的版本化 Release 包
  2. 验证 SHA-256 校验和
  3. 安装 prime-agent 命令
  4. 可选准备 IPython 运行时

启动与首次配置

# 进入你想让 Agent 工作的工作目录
cd /path/to/your/project

# 启动 Prime Agent
prime-agent

# 首次使用需要登录
/ login

登录时可以选择订阅计划或直接提供 API Key（支持多种 Provider）。

四、使用方法与实战

常用命令

prime-agent agents                   # 浏览运行中、空闲和已保存的会话
prime-agent attach <agent>          # 重新连接到一个运行中的会话
prime-agent --resume <path|id>      # 恢复一个已保存的会话
prime-agent status                  # 查看后台服务状态
prime-agent doctor [--fix]          # 诊断或修复后台服务
prime-agent update [--force]        # 更新 Prime Agent
prime-agent shutdown [--force]      # 停止所有 Agent、Worker 和后台服务

子 Agent 并行任务

# 启动多个子 Agent 并行处理不同子任务
task_a = rlm("实现用户认证模块", model="claude-sonnet")
task_b = rlm("编写配套的单元测试", model="claude-sonnet")
task_c = rlm("生成 API 文档", model="claude-sonnet")

# 主 Agent 等待全部结果
results = [task_a.result(), task_b.result(), task_c.result()]

长时间任务保障

Prime Agent 为长时间运行任务内置了多层保障机制：

  • 自动压缩（Automatic Compaction）：对话过长时自动压缩上下文，保留关键信息
  • 持久化目标（Persistent Goals）：/goal 保持目标在多轮之间活跃，直到完成或被清除
  • 心跳与定时任务：/heartbeat 和 prime-agent schedule 支持周期性重入或定时触发
  • 有界自主模式：/autonomous 在配置的轮数、代币和时间预算内持续运行，支持自定义质量门控

进阶：构建自定义技能

Prime Agent 的技能本质上是可导入的 Python 包：

# 技能包结构示例
# my_skill/
#   __init__.py
#   skill.yaml        # 技能元数据
#   impl.py           # 具体实现

# 安装技能
prime-agent skill install my_skill

# 在 Agent 中使用
from my_skill import custom_analysis
result = custom_analysis(context)

内置的 Skill Creator 可以将重复工作流封装为项目级或个人级技能。

五、常见问题与解决方案

Q: 提示"node version not supported"，但我明明装的 Node >=22.8.0？ Prime Agent 使用 node --version 检查版本。如果使用 nvm 或 fnm 管理多版本 Node，确保当前 shell 激活了正确版本（nvm use 或 fnm use）。

Q: Agent 执行了我不想执行的命令？ Prime Agent 执行模型生成的 Python 代码和项目命令时使用的是你的用户权限。Worker 和 Kernel 进程改善了生命周期隔离和恢复能力，但不是安全沙箱。建议：

  • 使用干净的 clone 或工作目录
  • Review 所有变更
  • 避免对系统关键目录运行不信任的指令

Q: 终端断开后如何恢复会话？

# 查看所有会话
prime-agent agents
# 重新连接
prime-agent attach <session-name>

Q: /refine 改坏了 Harness 能回滚吗？ 可以。Prime Agent 会记录每次 refine 的快照，通过历史 ID 可以回滚到任意版本：

# 查看快照历史
/ harness history
# 回滚到指定快照
/ harness rollback <snapshot-id>

Q: 想要在特定时间让 Agent 自动开始工作？

prime-agent schedule "明天早上9点继续优化文档" --at "2026-08-08T09:00:00"

六、总结

Prime Agent 的最大亮点在于将"自我进化"做成了可审计、可回滚的工程实践——通过 Continual Harness 和 /refine 机制，Agent 能够在每次运行中积累真正的经验，而不是每次都从零开始。加上 RLM 的程序化调用范式、多 Agent 协作、后台持久化会话等特性，它非常适合需要 Agent 跨多天、跨多次对话持续推进的复杂研究任务。

如果你对 RLM 架构、长周期 Agent 运行、或 AI 研究自动化感兴趣，Prime Agent 是一个值得深入研究的开源标杆。

项目地址：PrimeIntellect-ai/prime-agent
安装文档：Quickstart
RLM 理论背景：Recursive Language Model