ALTK-Evolve MCP
Память агентов на MCP: траектории прошлой работы становятся правилами для новых задач, есть легкая версия для Claude Code и Codex
- 137 ★ репозитория
- Последний коммит
- Apache-2.0
Расширенный доступ
Почему такой уровень
- Хранит траектории работы агента и выведенные правила, а API на локальном адресе не имеет аутентификации
- Для разрешения конфликтов правил обращается к настроенной LLM, а публикация делает правила видимыми другим пространствам имен
Установка
- Работает в
Ручная установка
pip install altk-evolveНужен Python 3.12 и новее. Сервер запускает `uv run evolve-mcp`, а для MCP-клиентов с прямой командой `uv run evolve-mcp --no-dashboard`.
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Хранит траектории работы агента и выведенные правила, а API на локальном адресе не имеет аутентификации
- Для разрешения конфликтов правил обращается к настроенной LLM, а публикация делает правила видимыми другим пространствам имен
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
Evolve учит агентов на опыте. Из прошлых траекторий работы он извлекает повторно применимые правила и подмешивает их в будущие задачи, не меняя веса модели. Автор сообщает, что в тесте AppWorld агент GPT-4.1 с Evolve поднял долю выполненных сценариев с 50,0 до 64,3 процента. Есть два режима. Легкая версия подключается к Claude Code, Codex, IBM Bob и Hermes и выполняет всю работу внутри агента. Полный сервис состоит из MCP-сервера, векторного хранилища памяти и разрешения конфликтов правил с помощью LLM. Установка идет из PyPI командой `pip install altk-evolve`, сервер запускает `uv run evolve-mcp`, а в веб-интерфейсе на `127.0.0.1:8000/ui/` можно смотреть и править сущности. Инструменты сервера: `get_entities` и `get_guidelines` достают правила под задачу, `save_trajectory` сохраняет траекторию и порождает новые правила, `create_entity`, `publish_entity` и `unpublish_entity` управляют правилами и их видимостью между пространствами имен, а `put_retention_policy` и `run_retention` ведут политику хранения с пробным запуском. Бэкенд по умолчанию файловый, для семантического поиска подключают Milvus или PostgreSQL с pgvector.
Для кого. Разработчикам агентов и командам, которые хотят, чтобы агент накапливал уроки прошлых запусков и не повторял одни и те же ошибки.
Подходит, если
- Агент повторяет ошибки в однотипных задачах, и его траектории надо превращать в правила
- Нужна память для агентов на MCP с веб-интерфейсом для просмотра и правки правил
- Правила одного агента должны попадать другим через публикацию в общее пространство
- Нужна политика хранения записей с пробным запуском до применения
- Хочется пробный вариант внутри Claude Code или Codex без отдельного сервиса: легкая версия
Не подходит, если
- Нужно дообучение весов модели: Evolve веса не меняет
- Окружение без Python 3.12: сервер на него рассчитан
- Требуется защита доступа к памяти: API на локальном адресе не имеет аутентификации и любой процесс на машине может читать и менять память
- Нужен простой список заметок без извлечения правил: понадобится другая память
Пример запроса к агенту
Сохрани траекторию этой задачи через `save_trajectory`, а перед следующей похожей задачей вызови `get_guidelines` и примени найденные правилаMCP
- Транспорт
- stdio, sse
- Авторизация
- не нужна
Переменные окружения
EVOLVE_MODEL_NAME- Имя модели для LiteLLM, в том числе запасной вариант
Ограничения
- Нужен Python 3.12 и новее и `uv` или `pip`; веб-интерфейс собирается через `npm ci && npm run build`, если ставить из исходников.
- При запуске по stdio `evolve-mcp` поднимает веб-интерфейс и REST API на `127.0.0.1:8000`; у API нет аутентификации, и любой локальный процесс может читать и менять память.
- Для разрешения конфликтов правил нужна настроенная модель через LiteLLM, например `EVOLVE_MODEL_NAME`.
- Показатели роста приведены автором на AppWorld и τ²-bench с разными моделями и конфигурациями и не обязаны повториться на ваших задачах.
Как отключить. Уберите запись MCP-сервера `evolve-mcp` из настроек агента и выполните `pip uninstall altk-evolve`. Данные файлового бэкенда остаются в каталоге хранилища, их удаляют вручную.
Частые вопросы
Как установить Evolve?
Выполните `pip install altk-evolve`, затем `uv run evolve-mcp`. Для MCP-клиентов с прямой командой используйте `uv run evolve-mcp --no-dashboard`, для SSE добавьте `--transport sse --port 8201`.
Какие агенты поддерживаются в легком режиме?
Claude Code, Codex, IBM Bob и Hermes: у каждого есть пошаговое руководство в документации проекта.
Меняет ли Evolve веса модели?
Нет. Он превращает траектории в правила и подмешивает их в будущие задачи, а веса остаются прежними.
Где хранится память?
По умолчанию в файловом бэкенде с простым текстовым поиском. Для семантического поиска подключают Milvus или PostgreSQL с pgvector.
Как проверить, что сервер работает?
Выполните `npx @modelcontextprotocol/inspector@latest http://127.0.0.1:8201/sse --cli --method tools/list` при запуске по SSE: список инструментов подтвердит работу.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
MCP-серверыФреймворк эволюции агентов правит промпты и скиллы параллельными воркерами и оставляет только то, что прошло отложенную проверку.
Общая память агентов в простых YAML-файлах: Claude Code, Codex и Cursor помнят ваши исправления между сессиями и инструментами
Шесть скиллов и CLI ae: агент ведет эксперимент AlphaEvolve от постановки задачи до встраивания лучшего кода
Параллельная самоэволюция скиллов и промптов: воркеры присылают правки, агрегатор сливает их в один версионируемый артефакт
Локальный компилятор траекторий: превращает историю сессий Claude Code и Codex в данные для обучения, задачи и проверки
Память инженерной команды по MCP: решения, причины багов и ограничения помнят все агенты, от Claude Code до Cursor.
Сравнение с похожими
Карточки с тем же главным запросом: чем они отличаются.
| Инструмент | Официальный | Авторизация | Звезды репозитория | Главное отличие |
|---|---|---|---|---|
| ALTK-Evolve (эта карточка) | нет | не нужна | 137 | |
| Self-Improving Agent | нет | 790 | скилл самосовершенствования агента; Evolve дает MCP-сервер, хранилище и публикацию правил | |
| Mem0 | нет | 68 887 | общий слой памяти для ИИ; Evolve извлекает правила из траекторий работы агента |
Коротко о README
Страница представляет Evolve как обучение агентов на опыте, приводит результаты на AppWorld и τ²-bench и ссылки на статью и публикации. Затем идут быстрый старт для легкой версии, установка MCP-сервера из исходников и PyPI, список инструментов и заметка о фильтрах, возможности и архитектура с петлей обратной связи.