复旦开源GenericAgent：3K行代码实现自进化智能体，Token消耗降6倍

复旦大学联合深企夸夸菁领开源自进化智能体GenericAgent，仅约3300行代码实现自组织、自学习、自进化能力，Token消耗降低6倍，已能自主操控浏览器、发朋友圈甚至与人交互。

复旦大学知识工场实验室联合深圳企业夸夸菁领，正式开源了一个名为 GenericAgent 的自进化通用智能体项目。这个项目在开发者社区迅速引发关注，原因很直接——整个项目代码量仅约 3300 行，核心模块甚至只有数百行，却实现了传统智能体架构动辄 50 万行代码才能覆盖的能力。

这不是又一个套壳 wrapper。它在架构层面做了一件值得认真看的事。

先说它到底能干什么

GenericAgent 的定位是「自进化通用智能体」，三个关键词：自组织、自学习、自进化。具体来说，它能够：

自主读屏，理解当前屏幕上的 UI 元素和内容
操控键鼠，像人一样点击、输入、滚动
编写和执行代码
自主浏览网页、操作浏览器
甚至能发朋友圈、与人进行社交互动

没错，复旦团队演示了让 GenericAgent 自主发朋友圈并与好友互动的场景。这听起来像个噱头，但背后反映的是智能体对复杂 GUI 操作链路的完整掌控能力——从识别界面元素、理解交互逻辑，到规划操作步骤、处理异常反馈，整条链路都是自主完成的。

GenericAgent 自主操控浏览器执行复杂任务的流程示意图

3300 行代码，怎么做到的？

这是最值得聊的部分。

传统的智能体框架，比如早期的 AutoGPT、BabyAGI，或者后来的各种 Agent 框架，普遍面临一个问题：为了覆盖足够多的场景，代码量急剧膨胀，模块之间耦合严重，维护成本极高。很多框架动辄几万甚至几十万行代码，开发者想读懂都费劲，更别说二次开发了。

GenericAgent 反其道而行之，走了一条极简路线。它的核心设计思路可以概括为：

把复杂度从代码转移到语义层。

具体来说，GenericAgent 采用了 Markdown 和语义文件系统来实现大模型的持续学习。它不是把所有逻辑硬编码在代码里，而是通过结构化的 Markdown 文档来定义操作规范（SOP）、记忆存储和技能描述。代码只负责最核心的调度和执行逻辑，「知识」和「经验」则以语义化的文档形式存在。

这带来一个巨大的优势：代码量就是上下文优势。

3300 行代码意味着什么？意味着你可以把整个项目的源码直接喂给大模型，让它完整理解整个系统的架构和逻辑。对于任何一个开发者来说，花一个下午就能通读全部代码。这在动辄几十万行的传统框架里是不可想象的。

项目的记忆和技能体系也很有意思。从仓库结构来看，它维护了专门的 memory/ 目录，里面存放着各种 SOP 指南，比如：

tmwebdriver_sop.md——Web 驱动操作的标准流程
ljqCtrl_sop.md——控制逻辑的操作规范

这些 SOP 文档本质上就是智能体的「肌肉记忆」。当智能体遇到新场景时，它可以参考已有的 SOP 来规划行动；当它学会了新技能，又可以把经验沉淀为新的 SOP 文档。这就是「自进化」的含义——不是靠重新训练模型，而是靠不断积累和优化操作经验。

Token 消耗降低 6 倍，这个数字意味着什么

对于实际跑智能体任务的开发者来说，Token 消耗是一个非常现实的问题。

当前主流的 Agent 框架在执行复杂任务时，往往需要大量的 Token 来维持上下文、进行多轮推理和工具调用。一个稍微复杂点的浏览器操作任务，轻轻松松就能烧掉几万甚至几十万 Token。按照 GPT-4o 或 Claude 的定价，跑一个任务的成本可能就要好几美元。

GenericAgent 声称将 Token 消耗降低了 6 倍。如果这个数字可靠，那意味着同样的任务，成本直接从几美元降到不到一美元。对于想要在生产环境中部署智能体的团队来说，这是一个质的变化——从「玩具」变成了「可用」。

Token 消耗的降低主要得益于极简架构带来的上下文效率提升。代码量少，系统 prompt 就短；SOP 文档结构化程度高，检索效率就高；不需要在每次调用时都把整个框架的上下文塞进去。这是一个很朴素但很有效的优化思路。

如果你在用 API 跑类似的智能体任务，通过 OpenAI Hub 可以一个 Key 调用 GPT、Claude、Gemini、DeepSeek 等主流模型，国内直连且兼容 OpenAI 格式，方便你根据任务特点灵活切换底层模型，进一步优化成本。比如简单的 UI 识别任务用性价比更高的模型，复杂推理任务再切到 Claude 或 GPT-4o。

一个典型的调用示例：

from openai import OpenAI

client = OpenAI(
    api_key="你的 OpenAI Hub Key",
    base_url="https://api.openai-hub.com/v1"
)

# 用 Claude 做复杂任务规划
planning_response = client.chat.completions.create(
    model="claude-sonnet-4-20250514",
    messages=[
        {"role": "system", "content": "你是一个任务规划智能体，根据用户目标拆解操作步骤。"},
        {"role": "user", "content": "帮我打开浏览器，搜索最新的 AI 论文并整理摘要"}
    ]
)

# 用 DeepSeek 做性价比更高的子任务执行
execution_response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "根据以下操作步骤，生成具体的浏览器操作指令。"},
        {"role": "user", "content": planning_response.choices[0].message.content}
    ]
)

这种「规划用强模型、执行用轻模型」的混合策略，配合 GenericAgent 的低 Token 消耗架构，能把智能体的运行成本压到相当低的水平。

浏览器操控：Chrome 插件 + CDP Bridge

GenericAgent 的一个亮点是它的 Web 操控能力。项目提供了一个 Chrome 插件（位于 assets/tmwd_cdp_bridge 目录），通过 Chrome DevTools Protocol（CDP）实现对浏览器的精细控制。

CDP 是 Chrome 提供的底层调试协议，Puppeteer 和 Playwright 等工具都是基于它构建的。GenericAgent 直接走 CDP Bridge，意味着它可以：

获取页面 DOM 结构和渲染信息
模拟真实的用户输入事件
截取屏幕快照用于视觉理解
拦截和修改网络请求

有意思的是，社区里已经有开发者在讨论把 GenericAgent 的 Web 操控代码「蒸馏」给 Claude Code 使用。也就是说，把 GenericAgent 积累的浏览器操作经验和 SOP，转化为 Claude Code 可以直接使用的知识。这种跨智能体的经验迁移，某种程度上验证了 GenericAgent 语义化记忆体系的可移植性。

跟同类项目比，它的位置在哪？

当前 Agent 赛道相当拥挤。我们简单做个对比：

项目	代码量	核心特点	Token 效率	上手难度
GenericAgent	~3.3K 行	自进化、语义记忆	高（6倍优化）	低
AutoGPT	数万行	通用自主 Agent	中等	中等
OpenInterpreter	数千行	代码执行为主	中等	低
Browser Use	数千行	浏览器操控	中等	低
Claude Code	闭源	编码 Agent	高	低

GenericAgent 的独特之处在于它同时做到了「极简」和「通用」。大多数极简项目只能覆盖单一场景（比如只做浏览器操控或只做代码执行），而 GenericAgent 通过语义化的 SOP 体系，理论上可以扩展到任意场景。

但也要说一句实话：目前项目还处于比较早期的阶段。社区里有开发者表示「mark 住了，等后续」，说明大家对它的潜力认可，但对成熟度还持观望态度。自进化能力到底能进化到什么程度、在复杂真实场景下的稳定性如何，这些都需要更多实际验证。

对开发者来说，值得关注的几个点

第一，极简架构的哲学值得学习。 不管你用不用 GenericAgent，它「把复杂度从代码转移到语义层」的思路都值得借鉴。在大模型时代，很多传统的软件工程范式正在被重新审视。代码不一定越多越好，有时候少即是多。

第二，SOP 驱动的自进化机制有想象空间。 如果智能体真的能通过不断积累 SOP 来持续提升能力，那它的成长曲线会非常陡峭。每个用户的使用过程都在为智能体贡献经验，这是一个正向飞轮。

第三，Token 成本的优化是实际落地的关键。 6 倍的 Token 消耗降低，如果能在更多场景下得到验证，会让很多之前因为成本问题搁置的 Agent 应用变得可行。

第四，跨智能体的经验迁移是一个有趣的方向。 社区已经在尝试把 GenericAgent 的经验蒸馏给其他 Agent 使用，这暗示了一种未来可能的生态模式——智能体之间不只是竞争关系，还可以互相学习。

写在最后

复旦团队用 3300 行代码证明了一件事：在大模型时代，智能体框架的核心竞争力不在于代码量的堆砌，而在于架构设计的优雅和对 LLM 能力的充分利用。

当然，开源项目的价值最终要靠社区来验证。GenericAgent 能不能从一个「令人眼前一亮的项目」变成一个「真正好用的工具」，取决于后续的迭代速度和社区生态的建设。

但至少在现在，它给了我们一个很好的参考样本：Agent 框架不一定要越做越重，有时候回归简单，反而能走得更远。

参考来源

GenericAgent 社区讨论帖 - Linux.do — 开发者社区对 GenericAgent 的技术讨论和使用经验分享

3K行代码干翻50万行，复旦GenericAgent开源