AgentDescent CLI
Фреймворк эволюции агентов правит промпты и скиллы параллельными воркерами и оставляет только то, что прошло отложенную проверку.
- 207 ★ репозитория
- Последний коммит
- MIT
Широкий доступ
Почему такой уровень
- Запускает много вызовов модели и может записать измененные промпты, скиллы и код обратно в проект.
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add cli/thinkflowlab-agentdescentОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемШирокий доступИнструмент может менять данные, выполнять команды или работать с секретами.
- Запускает много вызовов модели и может записать измененные промпты, скиллы и код обратно в проект.
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
AgentDescent применяет идею градиентного спуска к самим агентам: параметрами служат промпты, скиллы, каталоги агентов, код и плагины хостов. N воркеров параллельно присылают правки, один агрегатор сливает их в версионируемый артефакт, а отложенная проверка решает, что оставить. Правки играют роль градиентов, агрегатор роль оптимизатора. Вызывать можно из Python одним `evolve()`, из командной строки или изнутри Claude Code, Codex, OpenCode, DeepSeek Harness и Grok Bot. Команда `agentdescent demo` проходит полную эволюцию офлайн без ключей за примерно десять секунд, `agentdescent doctor` показывает, какие CLI агентов и ключи есть на машине. В комплекте 23 порта опубликованных методов на том же движке.
Для кого. Разработчики агентов и исследователи, которые улучшают промпты и скиллы на собственных примерах и хотят проверку на отложенных данных.
Подходит, если
- Скилл ошибается на реальных примерах, и его правила нужно улучшить автоматически.
- Надо сравнить несколько алгоритмов эволюции на одном наборе случаев.
- Оптимизацию хочется запустить прямо из Claude Code или Codex фразой «улучши этот промпт».
- Нужна безопасная запись результата назад только после подтверждения.
Не подходит, если
- Нет набора примеров и проверочных критериев: сначала их нужно составить.
- Бюджет вызовов модели ограничен, а эволюция требует много запусков.
- Достаточно разовой ручной правки промпта.
Пример запроса к агенту
Улучши этот промпт на моих примерах из cases.json, назови число вызовов заранее и запиши результат только после моего согласия.Ограничения
Нужен Python 3.9 или новее, а агентский MCP-сервер из extras `[mcp]` требует Python 3.10 и выше. Исследовательские примеры не входят в wheel, их запускают из клонированного репозитория. Эволюция тратит вызовы модели: агент в плагине называет число вызовов до старта и ждет подтверждения, а запись обратно просит отдельно. Качество результата зависит от тестовых случаев и критериев проверки. Grok Bot подключается заготовкой, а не в один шаг. Лицензия MIT. Последний коммит датирован ноябрем 2026 года.
Как отключить. Удалите пакет командой `pip uninstall agentdescent` и плагины из `~/.agentdescent/plugins`. В агенте уберите подключенный MCP-сервер.
Частые вопросы
Как установить AgentDescent?
Выполните `pip install "agentdescent[mcp]>=0.9.0"`. Без `[mcp]` можно работать из командной строки на Python 3.9.
Как подключить к Claude Code?
Выполните `agentdescent install claude-code`, затем `claude --plugin-dir ~/.agentdescent/plugins/claude-code`. Для Codex есть пара `codex plugin marketplace add` и `codex plugin add`.
Можно ли попробовать без ключей?
Да. `agentdescent demo` за примерно десять секунд проходит полную эволюцию офлайн: в ней заменена только модель, цикл настоящий.
Что можно эволюционировать?
Текст, каталог скилла, каталог агента, код агента и сами плагины хостов.
Что делает агент перед запуском?
Запускает `doctor`, пишет спецификацию, называет число вызовов и ждет вашего согласия, а запись результата назад подтверждает отдельно.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
CLI-инструментыПараллельная самоэволюция скиллов и промптов: воркеры присылают правки, агрегатор сливает их в один версионируемый артефакт
Открытый фреймворк: языковые модели и эволюционный отбор ищут и улучшают код для задач оптимизации и алгоритмов
Фреймворк самоулучшения агентов: оптимизирует промпты, память, навыки и код обвязки с отдельной настройкой метода и оценки.
Память агентов на MCP: траектории прошлой работы становятся правилами для новых задач, есть легкая версия для Claude Code и Codex
cap-evolve правит промпты, инструменты и скиллы агента по трассам провалов и принимает правку при выигрыше на отложенной выборке
multi-agents запускает команду кодовых агентов на задаче и меряет, победила ли она одиночного агента и во что обошлась.
Коротко о README
README представляет идею и установку, затем разбирает подключение к пяти хостам, виды артефактов и ссылки на документацию. Результаты измерений и алгоритмы вынесены на сайт проекта.