autoagent

AutoAgent, da Third Layer, é um framework de código aberto para engenharia autônoma de agentes: em vez de editar manualmente o código de um agente de IA, você permite que um meta-agente (seu agente de codificação) construa e itere sobre o agente, seguindo o mesmo ciclo experimental de manter ou descartar popularizado pela autoresearch. Como funciona: - O agente em teste reside em um único arquivo, agent.py, contendo configuração, definições de ferramentas, um registro de agentes, roteamento/orquestração e um limite de adaptador Harbor. A seção do adaptador é explicitamente marcada como fixa; o restante é a superfície de edição principal do meta-agente. - O humano não edita o Python. Em vez disso, você edita program.md, um arquivo Markdown que fornece as instruções do meta-agente mais a diretiva descrevendo que tipo de agente construir. - As tarefas de avaliação residem em tasks/ usando o formato de tarefa Harbor: task.toml config, instruction.md prompt, testes (test.sh/test.py, determinísticos ou LLM-como-juiz) que escrevem uma pontuação de 0,0 a 1,0, um Dockerfile por tarefa baseado na imagem base e arquivos de referência montados. O repositório não vem com tarefas; você adiciona as suas próprias, e cargas de benchmark podem aparecer em branches específicas de benchmark. - O ciclo: o meta-agente lê a diretiva, inspeciona o agente atual, executa o benchmark, diagnostica falhas, modifica agent.py, verifica a pontuação total produzida pelos conjuntos de teste da tarefa e mantém ou descarta a alteração - otimizando a pontuação. Experimentos são registrados em results.tsv, e saídas de jobs do Harbor vão para jobs/. Requisitos e uso: Docker, Python 3.10+, uv, e quaisquer credenciais de provedor de modelo que seu agente precisar (por exemplo, OPENAI_API_KEY em .env). Você constrói a imagem base com Dockerfile.base, adiciona tarefas, então executa uma única tarefa ou todas as tarefas em paralelo através da CLI do Harbor com o caminho de importação do agente agent:AutoAgent. Para iniciar um experimento, você aponta seu agente de codificação para o repositório e o instrui a ler program.md. Escolhas de design declaradas no README: programar o meta-agente em vez do agente diretamente; manter o agente em um único arquivo, mas orientado por registro para que ainda possa evoluir de forma limpa; executar o agente em isolamento Docker para que não possa danificar o host; tornar cada experimento orientado por pontuação; e usar tarefas compatíveis com Harbor para que o mesmo agente possa ser avaliado em diferentes conjuntos de dados. O README também sugere equipar o agente com habilidades de engenharia de contexto (como Agent Skills for Context Engineering e context7) para melhorar o desempenho, e fornece comandos de limpeza para imagens Docker, contêineres e o cache de tarefas do Harbor, que se acumulam entre execuções. Licenciado sob MIT. Os mantenedores observam um próximo produto relacionado a agentes autoconfiguráveis e que estão contratando.