同样 3000 行代码，为什么有的 AI Agent 越用越聪明，有的早早封顶
一句话开场我手头有两个 AI Agent，核心代码量几乎一样：3110 行 vs 3084 行。但跑同一个任务——「给笔记画张架构图」——一个 8 秒搞定且越跑越准，另一个一分钟出来还经常翻车。差在哪？
主角登场
先认识下这俩。
O-easy Agent：我们自己用 Rust 写的小工具，专门干一件事——在 Obsidian 里读写笔记。5 个工具，3110 行代码。
GenericAgent：lsdefine 在 GitHub 开源的通用 AI Agent 框架（lsdefine/GenericAgent），口号是「不预装能力，让 Agent 自己长出来」。9 个工具，3084 行代码。
记住这两个数字：3110 和 3084。
它们差不多，但下文你会看到，能力差出一个数量级。这就是今天要说的事。
第一眼看不出门道，第二眼吓一跳
先把两边架构画出来。
注意右下那块粉色的 Self-Evolving SOP。
这是 GenericAgent 的灵魂。它让 Agent「今天学会的事，明天直接做」。O-easy 完全没有这块。
下面拆开讲，差异在哪。
差异 1：5 个专用工具 vs 9 个万能工具
O-easy 的 5 个工具都长一个样：xxx_note。它的能力天花板就是这 5 个事，写死了。
想画图？没工具。想跑统计？没工具。想抓网页？没工具。
GenericAgent 这边有个杀手锏叫 code_run。
这个工具的本质是「图灵完备的钥匙」。你想干啥它都能干——只要那件事能用代码表达。
举例：让 Agent 给你画一张 mermaid 架构图
- O-easy 怎么做：让大模型脑补输出 mermaid 字符串，写进笔记。没人验证语法对不对。
- GenericAgent 怎么做：先
code_run跑一段 Python 提取笔记结构 → 让大模型基于结构出 mermaid → 再code_run调 mermaid-cli 真的渲染一遍 → 错了重画。多了一层验证。质量差距就这么来的。
差异 2：思考 10 步 vs 思考 70 步
O-easy ███████████ (10 turns)
GenericAgent ███████████████████████████████████████████████████████████████████████ (70 turns)
0 10 20 30 40 50 60 70
复杂任务的天然节奏：读 → 想 → 试 → 错 → 改 → 再试 → 验证 → 写。
10 步通常不够。70 步才有「自我纠错」的空间。
这就像考试：限时 10 分钟你只能写完，限时 70 分钟你能写完还能检查三遍。
差异 3：单层记忆 vs 5 层记忆（业界最大短板）
绝大多数 Agent 框架的记忆都很简单：要么没有，要么就一层「对话历史」。
GenericAgent 不一样。它有 5 层。
| 层 | 作用 | 一句话说人话 |
|---|---|---|
| L0 | 行为约束 | 「什么不能做」（比如不能删 vault 文件） |
| L1 | 能力索引 | 「我知道我能干哪些事」（轻量目录） |
| L2 | 长期事实 | 「这个用户喜欢用 mermaid 画图」 |
| L3 | 任务剧本 | 「画 RAG 架构图的标准流程」 ← 关键 |
| L4 | 历史档案 | 「上周做过的任务都在这」 |
L3 是真正的杀手锏LangChain 没有这层，AutoGPT 没有这层，Claude Code 也没有这层。L3 不是简单的「对话历史」，而是结构化的「做事剧本」。Agent 干完一件事会自动总结成 SOP 写进来，下次类似任务直接照着剧本演。
打个比方：
- L4 是档案室（散乱的过去记录）
- L2 是公司维基（稳定的事实库）
- L3 是部门 SOP 手册（让新人快速上手的关键资料）
绝大多数 Agent 框架只有档案室和维基，没有 SOP 手册。GenericAgent 把这一层做出来了。
差异 4：能力增长方式（这是最大的范式跃迁）
我把这条放最重要的位置。
传统 Agent 框架的能力公式：
能力 = Σ(预装的工具)
要新能力 = 写新代码 + 改框架 + 发新版 + 用户更新。一条龙重资产。
GenericAgent 的能力公式：
能力 = Σ(L3 里积累的 SOP)
要新能力 = Agent 自己摸索 + 跑通 + 结晶成 SOP + 写入 L3。完全不用碰代码。
类比一下：
- 传统模式 = 建工厂。要新能力等于加新车间，重资产，慢。
- GenericAgent = 学徒工。每做一件事，工艺手册就厚一页。自己越来越熟练。
教程里给的数据：同一类任务从「自然语言描述 → SOP → 直接 code 调用」三阶段进化，token 消耗下降 89.6%。
关键差距传统 Agent 上线第一天和第一年表现一样。GenericAgent 用了一年的能力是用了一天的 N 倍。
差异 5：上下文管理——反潮流的反向操作
业界都在卷长上下文。Claude 卷到 200K，Gemini 卷到 1M，Qwen 也跟上来了。
GenericAgent 反着来：死磕 30K。
| 项 | O-easy | GenericAgent |
|---|---|---|
| 策略 | 按消息轮数粗略剪 | 4 阶段压缩管道 |
| 目标 | 保最近 N 轮 | 维持 30K token 高密度 |
| 长任务表现 | 容易塞满重复 read 结果 | 自动压缩、提取要点、丢冗余 |
| 方向 | 跟随业界 | 反向操作 |
为什么反潮流？
业界都在装着不知道的事实LLM 的 attention 机制在 30K 之后衰减明显，长上下文是「花更多钱、办更少事」。
GenericAgent 把这个问题反过来——不堆长度，堆密度。同样 30K 的窗口，塞最有用的东西，劣质信息及时压缩或丢掉。
教程里说，这个策略让 GenericAgent 比 Claude Code 节省 65% token（消耗约 35%）。
实战对比：让 Agent 给笔记画一张架构图
干了这么多铺垫，看看真打起来什么样。
任务：「把这篇 RAG 技术 笔记总结一下，给我画张架构图」。
O-easy 怎么做
5 步搞定，但没有验证。LLM 输出语法错你也不知道，要等用户在 Obsidian 里渲染失败才回头看。
GenericAgent 怎么做
10 步，多了 3 件事：
- 先查 L3 有没有现成 SOP
- 用
code_run真的跑一遍验证 mermaid - 完事更新 SOP，下次更快
质量和效率全在这 3 步上拉开。
代码量真相：3000 行 vs 3000 行，谁花得更聪明
| 项目 | 核心源码 | 工具数 | 记忆层数 | 自演化 | 测试 |
|---|---|---|---|---|---|
| O-easy | 3,110 行 | 5 个专用 | 1 层 | 否 | 0 |
| GenericAgent 核心 | 3,084 行 | 9 个原子 | 5 层 | 是 | 未统计 |
两边代码行数几乎一样，能力密度天差地别。
差在哪？看 GenericAgent 的 3000 行花在哪：
注意 agent_loop.py 才 118 行——作者宣传的「100 行核心循环」是真的，不是营销话术。整个 Agent 大脑就这 118 行。
而 O-easy 的 3110 行：
1026 行花在 5 个工具——平均每个工具 200 行。每个工具都在做差不多的事：path 校验、permission 流程、转 JSON。重复造轮子的味道很浓。
同样 3000 行GenericAgent 把每行都用在让 Agent 能自我成长的脚手架上。O-easy 的每行都被锁死在「这 5 件事」里。
GenericAgent 的真正创新（一句话每条）
业界对比下，能拍着胸脯说「这是我的原创」的，就这 5 条：
1. 能力 = 记忆，不是代码 —— Agent 框架从「工具盒」变成「学习者」。这是范式跃迁，不是迭代。
2. 5 层记忆 + L3 SOP 这一层 —— LangChain 没有，AutoGPT 没有，Claude Code 也没有。第一次有框架认真做「Agent 自己的 SOP 手册」。
3. 9 个原子工具 + code_run 元工具 —— 用 9 个原语组合出无限能力，而不是堆一百个专用工具。
4. 信息密度优先（反 1M context 潮流） —— 业界都在卷长度，它在卷密度。结果 token 消耗只有 Claude Code 的 35%。
5. 真实浏览器注入（不开 headless） —— 直接操作用户已登录的 Chrome，不用绕验证码、不用模拟登录。RPA 圈子有人做，Agent 圈子做的没几家。
给读者的两条启示
如果你将来想自己设计一个 Agent，记住这两条：
启示 1：选「原子工具 + 代码执行」，不要堆专用工具
| 反例（O-easy 走的路） | 正解（GenericAgent 走的路） |
|---|---|
| 加 send_email 工具 | 加 code_run，让 Agent 写 smtplib |
| 加 query_db 工具 | 加 code_run，让 Agent 写 SQL |
| 加 generate_chart 工具 | 加 code_run，让 Agent 用 matplotlib |
| 工具数量爆炸 → 维护噩梦 | 9 个原子工具搞定一切 |
工具集合是 Agent 的天花板。专用工具 = 低天花板 + 高维护成本。原子工具 + code_run = 天花板由 LLM 能力决定，不由你预设。
启示 2：把能力增长留给「运行时」，不要全压在「开发时」
长期复利。这是 GenericAgent 真正甩开同行的一招。
你该用哪个
| 场景 | 推荐 |
|---|---|
| 我只想给 Obsidian 加个写笔记 AI | O-easy Agent（轻、快、专） |
| 我想要一个能干所有杂活的 AI 助手 | GenericAgent |
| 我想学 Agent 架构内功 | 读 GenericAgent 源码 |
结尾一句话
代码量决定下限，记忆密度决定上限。
GenericAgent 的真正创新，不在于「少」，而在于把少省下来的精力，全部投在了让 Agent 能自我成长上。
3000 行不是它的天花板。它的天花板是用户每多用一次，就被推高一点。
这才是 Agent 框架的未来。
延伸阅读
- GenericAgent —— 本篇主角，3000 行通用 Agent 框架
- O-easy Agent —— 本篇对照组，笔记 CRUD 专用 Agent
- GenericAgent-ACP —— 把 GenericAgent 接入 Obsidian 的 wrapper
- AI Agent / ReAct 模式 / Tool Use —— Agent 基础概念
- ACP 协议 —— Obsidian Agent Client 用的协议
- LangChain / AutoGPT / Claude Code —— 业界对照框架
- RAG 技术 —— 实战案例笔记
- Mermaid —— 本文用到的图表语法
- 给 Hermes Agent 装上 Open WebUI 从零到一的完整实践 —— 同博客 Agent 集成实战
- 源码：
D:\Program\GenericAgent\、D:\Program\O-easy-agent\、D:\Program\GenericAgent-ACP\ - 官方仓库：lsdefine/GenericAgent · datawhalechina/hello-generic-agent