Prime Agent
Prime Intellect开源的长周期AI Agent运行框架
通过 RLM（递归语言模型）将上下文变量化、子 Agent 函数化，借助 Continual Harness 实现任务经验的持续沉淀与自我进化。
核心功能
持久化IPython环境
模型只有一个内置工具：IPython REPL。文件操作、跑命令、管理上下文全靠生成Python代码完成，变量跨轮次保留，大段内容存变量里按需取用，不用反复塞回对话窗口。
子Agent代码式调度
通过rlm()函数动态生成子Agent，每个都有独立上下文和内核，异步并行跑完把结果传回来。大型任务拆成多路并行处理，比单线程Agent快不少。
经验沉淀与自我迭代
/refine指令复盘任务轨迹，把验证有效的逻辑存成提示补充、记忆片段或可复用技能，支持会话内和跨会话复用，改坏了还能用快照回滚。
断线续跑的Daemon托管
所有会话由后台守护进程托管，关掉终端任务照样跑，IPython状态和子Agent进程都不受影响，重新attach就能接着看进度。
多模型生态兼容
macOS和Linux一键安装，支持ChatGPT、Claude等订阅服务直接登录，也能通过API Key接入第三方大模型。
产品特色
- 01
把上下文当变量管，不是当对话历史堆
RLM的核心思路是prompt-as-a-variable，模型把原始数据丢进变量里编程式筛选和计算，只把真正需要的结果拿回来，架构层面缓解长任务下的Token膨胀。
- 02
子Agent是异步函数调用，不是工具菜单里的选项
工具调用、子Agent生成、上下文管理全部通过代码发生，模型像写程序一样编排自己的Agent，递归的含义就在这。
- 03
脚手架自己能改，但底层提示词锁死
Continual Harness把补充提示、记忆、技能和子Agent配置暴露成可读写状态，改的是这些可变层，系统提示词不可变，有版本快照兜底。
- 04
ARC-AGI-3从30%干到95.5%
用Opus 5驱动时Prime Agent在该基准上达到95.5%的RHAE Best@1，超过人类专家基线，三次运行Best@3冲到99.97%。同期在Factorio上完成了持续技术推进和并行多Agent协作。
- 05
纯程序化执行，不依赖聊天式交互
它是一个Python控制环境，不是聊天窗口里的代码助手。这种设计的代价是对模型本身要求更高，弱模型跑起来容易反复报错。
应用场景
✅ 大型代码库重构迁移
用持久REPL和并行子Agent做百万行级代码的多维度分析和批量重构，任务能跨天并在断线后恢复。
✅ 科研实验自动化
自动跑超参搜索、模型训练和结果记录，/refine把实验流程沉淀成可复用技能，下次少走弯路。
✅ 持续运维与智能巡检
用/heartbeat和/goal设持久监控目标，Agent按周期自动登录服务器看日志、检测异常，后台7×24跑着。
✅ 多维度代码审查
为大型PR生成多个子Agent分别做静态分析、单元测试和安全审计，并行跑完汇总结果。
✅ 长周期自主探索
在Factorio这类复杂沙盒里，多子Agent分管资源、基建和研发，通过直接通信协调推进，持续跑几十小时。
常见问题
解答您关于"Prime Agent"的常见疑问，让您更好地使用这款AI工具
-
支持macOS和Linux，macOS 14及以上、Linux用glibc 2.31以上的发行版即可。Windows目前没有官方支持。
-
框架本身免费开源，主要成本是模型API调用。可以用已有ChatGPT或Claude订阅登录，按量付费取决于用的模型和任务长度。
-
官方README写得很直白：不是安全沙箱，模型生成的Python代码以你的用户权限执行。建议在可丢弃的项目副本或干净工作区里跑。
-
有。有人质疑测试方法的一致性，也有人认为这更多是脚手架设计的功劳而非模型能力提升。成绩是真实的，但解读空间确实存在。
-
Claude Code预设工具集和子Agent规范，Prime Agent把这些都交给模型用代码动态构建。路线不同，Prime Agent对模型能力的要求也更直接。
-
MIT协议，全部开源。不过代码量不小，核心是TypeScript和Python，想深度改造需要花点时间读文档和源码。
立即体验“Prime Agent”
Prime Agent是Prime Intellect开源的RLM coding agent框架，用持久化IPython REPL做唯一工具，上下文以变量形式管理，子Agent通过代码调用异步生成。支持终端断开后续跑、经验沉淀和自改进，MIT协议开源，面向长周期代码和研究任务。
