autoagent

AutoAgent от Third Layer — это открытая платформа для автономной инженерии каркасов агентов: вместо ручного редактирования кода ИИ-агента вы позволяете мета-агенту (вашему кодирующему агенту) создавать и итерировать каркас агента, следуя тому же циклу экспериментов с сохранением или отбрасыванием, который популяризирован в автоисследованиях. Как это работает: - Тестируемый каркас находится в одном файле agent.py, содержащем конфигурацию, определения инструментов, реестр агентов, маршрутизацию/оркестрацию и адаптер Harbor. Раздел адаптера явно помечен как фиксированный; остальное — основная поверхность редактирования мета-агента. - Человек не редактирует Python. Вместо этого вы редактируете program.md — файл Markdown, который содержит инструкции мета-агента и директиву, описывающую, какого агента нужно построить. - Задачи оценки находятся в папке tasks/ в формате Harbor: task.toml (конфиг), instruction.md (промпт), тесты (test.sh/test.py, детерминированные или с LLM-судьей), которые выводят оценку от 0.0 до 1.0, Dockerfile для каждой задачи на основе базового образа и монтируемые файлы. Репозиторий поставляется без задач; вы добавляете свои, а тестовые нагрузки могут появляться в ветках, специфичных для бенчмарков. - Цикл: мета-агент читает директиву, проверяет текущий каркас, запускает бенчмарк, диагностирует ошибки, изменяет agent.py, проверяет общий балл, полученный от тестовых наборов задач, и сохраняет или отбрасывает изменение — поднимаясь по холму на основе балла. Эксперименты логируются в results.tsv, а выводы задач Harbor сохраняются в jobs/. Требования и использование: Docker, Python 3.10+, uv и учетные данные провайдера модели, необходимые вашему каркасу (например, OPENAI_API_KEY в .env). Вы создаете базовый образ с помощью Dockerfile.base, добавляете задачи, затем запускаете одну задачу или все задачи параллельно через CLI Harbor с путем импорта агента agent:AutoAgent. Чтобы начать эксперимент, вы направляете своего кодирующего агента в репозиторий и предлагаете ему прочитать program.md. Дизайнерские решения, указанные в README: программировать мета-агента, а не напрямую каркас; сохранять каркас однофайловым, но управляемым через реестр, чтобы он мог чисто развиваться; запускать агента в изоляции Docker, чтобы он не мог повредить хост; делать каждый эксперимент управляемым баллом; и использовать совместимые с Harbor задачи, чтобы один и тот же каркас можно было оценивать на разных наборах данных. README также предлагает оснастить агента навыками контекстной инженерии (такими как Agent Skills for Context Engineering и context7) для улучшения производительности, а также предоставляет команды очистки для образов Docker, контейнеров и кэша задач Harbor, которые накапливаются между запусками. Лицензия MIT. Разработчики отмечают предстоящий продукт, связанный с самонастраивающимися агентами, и сообщают о наборе сотрудников.