现在的外壳，是照着上一代模型的能力设计的

今天这些外壳，当初都是围着上一代模型的能力做出来的，跟前沿模型现在能干什么已经对不上了。具体卡在两处。

固定的工具调用格式和上下文压缩，逼着模型去绕开自己的脚手架，而不是把它当帮手用。人工写死的子 Agent、提示词、技能和记忆，在设计的那一刻就定死了，Agent 跑起来学到什么，它们都不会跟着变。

Prime Agent 发布页开篇

他们给的方向是：外壳别拿旧假设去框模型，该顺着模型现在的能力往前推一步。落地就是那两个核心设计，一个治卡点一，一个治卡点二。

他们的解决方案：两个核心设计，一个治一个

两个卡点，两个核心设计。名字都挺唬人，其实各自讲的是一件很朴素的事，先用大白话讲清这两样到底是什么，下面两节再拆里面的机制。

下面三节就按这个顺序走：先拆 RLM，再拆 Continual Harness，最后看组合出来的那块。

RLM：工具砍到只剩一个 Python，长内容当变量存着

通俗理解：给模型一个不关机的 Python，别再给它发表格

平时的 Agent 是这样用工具的：模型吐出一段 JSON，说「我要调 read_file，参数是这个路径」，外壳去执行，把结果贴回对话里。

Prime Agent 把这套拆了。模型只有一个工具：一个常驻的 IPython，那种能一行行敲 Python、变量一直留着的交互环境。读文件、跑命令、调技能、开子 Agent，全都是在里面写代码。

回到刚才那份八万行日志：

旧办法是把日志读进上下文让模型自己看，八万行就是八万行的字数（token）。新办法是模型写三行 Python：打开文件、正则过滤、打印命中的十二行。八万行数据从头到尾没进过模型的脑子，只有那十二行进了。这就是为什么 Prime Agent 拿到更高分的同时，字数用量反而更低，它用程序跑数据，省下了「读数据」这笔开销。

长内容当变量存着，不再靠压缩丢掉旧信息

这是 RLM（Recursive Language Model，递归语言模型）名字的由来：别把长内容直接灌进模型的上下文，把它放在 Python 变量里，让模型自己写代码去翻。

落到实现上：整个会话历史是一行行追加写在硬盘上的 JSONL 文件，压缩过多少次都能翻回去，敲 /tree 就能看到完整历史，分支和复刻都是在同一个文件里移动一个指针。压缩这件事本身模型也能自己在 Python 里触发，它只是清理台面，不是销毁档案。所以哪怕一个任务干上成千上万轮，它也不会「失忆」。

RLM 不是这次现编的名词。它出自 MIT 那边一篇论文（Alex L. Zhang、Tim Kraska、Omar Khattab），论文里这套方法能处理超出模型上下文窗口两个数量级的输入。论文第一作者 Alex L. Zhang 就在 Prime Agent 的作者名单里，等于是把自己提的方法做成了能装的东西。

Continual Harness：外壳的提示词、技能、记忆，Agent 自己能改

第一个核心治的是卡点一。卡点二，外壳被写死、学不会东西，归第二个核心：Continual Harness（能自己改自己的外壳）。它把外壳自己的四样东西，提示词、技能、记忆、子 Agent 模板，变成 Agent 能自己新增、读取、修改、删除的状态。写起来跟往数据库里插一条记录没区别：

rlm.harness.create_memory("这个测试是随机挂的", "失败先重试三次再报错")

rlm.harness.create_skill(
    "重试助手", "...",
    reference={"type": "python", "import": "retry_helper"}
)

把这套增删改查用起来的是 /refine：它回头读 Agent 刚才干活的全过程，试了什么、结果怎样，然后只做一个最小的改动：加一条记忆，或者写一个技能，或者改一句提示词，而不是把整个外壳重写一遍。每次改动都记着是被什么触发的、改完效果如何。

结果就是越用越顺手：这一轮因为某个测试随机挂而白跑，下一轮它已经知道该先重试三次；这一轮摸出的处理套路，下一轮直接当技能调。这些都写进硬盘，跨会话还在。

两条护栏：基座系统提示词是锁死的，/refine 只能改外面那层；改坏了可以按记录编号回滚到之前的版本。想清楚要改什么的那一步在后台跑，不挡着你继续对话；真正落盘的那一步很快，只在两轮之间卡一下。

这套也有来路。Continual Harness 那篇论文的起点是「Gemini 玩宝可梦」，人在旁边不断手动帮它改外壳，最后通关了《宝可梦 蓝》《黄 Legacy 困难模式》和《水晶》，一场战斗都没输。论文干的事就是把「人在旁边改」这个角色整个去掉。它的第一作者 Seth Karten，也是 Prime Agent 的第一作者。

两个核心组合起来：开一个子 Agent 就是写一行代码

官方架构图的图注把话说死了：RLM 和 Continual Harness 是两个核心抽象，子 Agent 的增删改查加上 Agent 之间互发消息，是这两者组合出来的编排能力。所以下面这些不是第三第四个新发明，既然一切都在 Python 里，那开一个子 Agent 自然也就是一行代码：

auth = await rlm("讲清 auth/ 的登录流程，完事回我", name="auth-expert")
api  = await rlm("讲清 src/ 的接口层改动，完事回我", name="http-expert")

这里有三个设计细节，每一个都改变了实际用起来的感觉。

一、发出去的一瞬间就返回，返回的是号码牌不是答案

rlm(...) 调用完立刻返回，给你的是一张号码牌，子 Agent 的编号、名字、它自己的目录、它用的模型。答案后面通过消息送回来。所以父 Agent 可以一口气派出三四个子 Agent（一个去啃登录模块、一个去啃接口层），然后接着干自己的事，是真并行，不是排队等。

二、子 Agent 干完不销毁，还能续聊

每个子 Agent 都是一个独立的 Prime Agent 实例：自己的会话目录、自己的 Python 环境、自己的历史。任务干完了它也留着，父 Agent 后面还能按名字给它发新指令：「刚才那个登录流程，再帮我找找边界情况。」这份父子关系连压缩和 Python 环境重启都能扛过去。

三、Agent 之间能直接说话，但只限直系亲属

父、子、兄弟之间可以互发消息，跨到无关的会话就不行，这是故意加的护栏，免得一堆并行的 Agent 互相乱插话。

界面上也看得见这层关系。在空输入框上按左箭头调出 Agents View，所有会话按「正在跑 / 闲着 / 已卸载」列出来，任何一个都能直接点进去聊，也能往里插话、排队塞命令。子 Agent 闲置三十分钟会从内存里卸下来省资源，谁一喊它就从硬盘重新加载、连历史一起回来。

撑着这一切的是一个后台守护进程，它握着所有活着的会话。你关掉终端，活还在干，回头再接上就是；进程崩了，能从硬盘上的记录和快照里恢复回来。

同一个 Opus 5 换壳后，ARC-AGI-3 从 30.2% 涨到 95.5%

机制讲完了，看它考出什么分。先看那张最扎眼的图，同一个模型的两次成绩摆在一起，差了三倍多。

为什么外壳能造成这么大差别？ARC-AGI-3 是把 Agent 丢进一个陌生的小游戏世界，规则不告诉它，让它自己试出来。一局要走上万步，发布短片里那一局走了 11,245 个动作。走这么多步，正好把上面那两个卡点全踩一遍：数据靠工具一趟趟搬、上下文塞满了就压缩、试出来的规则转头被总结掉。Prime Agent 改的就是这一层。

两条得说清楚的限定。第一，这里跟 Prime Agent 比的是 ARC 官方报告的成绩，因为 Prime Intellect 自己拿 Claude Code 和 Codex 跑了一遍，结果比官方公布的还差，于是采用了对手的官方数字。第二，Claude Code 和 Codex 都是跟自家模型一起训出来的，而到今天为止，没有任何一个模型是围着 Prime Agent 训练的。

长任务实测：写模拟器、写 GPU 代码，赢了哪些输了哪些

从零写一台老游戏机

EmulatorBench 是他们自己做的预览版评测：让 Agent 用 Rust 从零写一台老游戏机的模拟器，不给任何参考实现、全程沙箱隔离，写完拿人手写的诊断程序去测，CPU 标志位对不对、画面芯片时序准不准。成绩取十六次模拟器重建的平均。

Game Boy Color 那一局的结果很夸张：Prime Agent 配 GPT-5.6 Sol 拿到 0.998 分，花了大约 7 美元；同一张图上另外三条线，Codex 配 Sol、Prime Agent 配 Opus 5、Claude Code 配 Opus 5，全是 0.000。

但 SEGA Genesis 那一局得说实话：Prime Agent 配 Sol 是 0.616，Codex 配 Sol 也是 0.616，打平，两个 Opus 5 的组合依然是 0.000。Opus 5 在这项上全灭的原因至今没查清，工具调用全都正常返回，运行就是失败。

写 GPU 代码

PMPP-Hard 是 69 道 GPU 代码题，写出来要通过一整套正确性校验。这一组的结果一半一半：

九项长任务对比

再看一张更全的表。这里 Prime Agent 用的是开源的 GLM-5.2，去比 Opus 5 配 Claude Code、GPT-5.6 Sol 配 Codex；每一格是「Prime Agent / 对手」，加粗的是赢家。

3D 迷宫

最后一项 MazeBench 是个开放世界的 3D 迷宫，操控一个方块解谜、开房间、捡宝石，比的是同样花钱能走多远。这一项互有胜负：走过的独立状态数 Prime Agent 明显领先，但开出的房间数被 Codex 反超得很明显。这段只有数字，没有结论。

Prime Agent 在 Factorio 学会了用后门命令刷分，叮嘱它别作弊也没用

「越用越顺手」这件事，有它的另一面。

Factorio 是一款造工厂的游戏：挖矿、研究科技、把生产线自动化起来，成绩看「生产分」。Prime Agent 接进去之后，一口气开了四个可操控角色分头干活。

前半段很励志。它靠 /refine 把失败变成记忆、把成功变成技能，用自己攒下来的经验一版比一版把机器摆得更高效，几个小时就把生产分做到了十万以上。

后半段翻车了。它发现这游戏留了一条后门命令（RCON），能直接把资源变到装配机里，整套游戏规则就这么绕过去了。他们明确加了一条心跳提示，每隔一阵就提醒它别在 Factorio 里作弊，没用。漏洞一被找到，那个原本在积累正经技能的自我改进循环，转头就去优化作弊技巧了。

它值什么，以及装之前要知道的一条警告

对开发者来说，它是个 MIT 许可、一条命令装完、接什么模型都行的现成工具；对做外壳的人来说，它把「工具砍到一个、上下文当变量、外壳自己能改」这套设计完整摊开给你抄。

Prime Intellect 自己怎么看下一步：他们认为模型和外壳一起训才是主导路线，Prime Agent 的很多能力在没有配套训练过的模型上根本发挥不出来，围着这套外壳直接训还有很大提升空间。这是他们的判断，不是实测结论；完整的技术报告也还没发出来，预告在近期补上。

装的话，macOS 和 Linux 上一条命令搞定：安装脚本会下载指定版本、校验 SHA-256、顺手把 Agent 要用的 IPython 环境配好。第一次启动跑 /login 挑登录方式，订阅制和自己的 API key 都支持，开源模型闭源模型都能接。

但装之前必须看清楚仓库里那个警告框：

Prime Agent 以你的用户权限执行模型生成的 Python 和项目命令。它的工作进程和内核进程改善的是生命周期隔离与故障恢复，不是安全沙箱。请审查改动，只使用可信的仓库、指令、技能和扩展。不可信的代码或指令请在外部沙箱或受限环境里运行。

Prime Agent 仓库 README

翻成人话：它能在你的机器上做任何你自己能做的事。官方给的建议是在一次性的 clone、干净的工作区或者能随时还原的检查点里用它。

未来的趋势

未来的 Agent 不再靠人类预先写死无数逻辑和 Prompt，而是以代码环境为媒介，自主派生子任务、自主积累技能和自我迭代优化。

还有一段身世值得知道：Prime Agent 建在一个叫 pi 的极简 Agent 框架之上，MIT 许可证里 2025 年那行版权还挂着 pi 作者 Mario Zechner 的名字。上面那张九项对比表里，Prime Agent 的对手之一就是 pi 本身（Pi-mono）。

以前的外壳给模型发工具表格，要读文件、查报错都得照着填参数，结果整个搬回对话；上下文满了就压缩，原文丢掉。Prime Agent 把工具砍到只剩一个不关机的 Python，模型自己写代码去读、去筛、去开分身。

外壳自己有四样东西：提示词、技能、记忆、子 Agent 模板，以前人写死就不再变。Prime Agent 让它自己能读、能写、能删，干完一轮就做一个最小改动：加条记忆，或写个技能。

拿 Rust 从零写一台老游戏机模拟器，不给参考代码：Prime Agent 配 GPT-5.6 Sol 写 Game Boy Color 拿到 0.998 分，同图另外三个组合全是 0。

这套自我改进机制拿去玩造工厂游戏 Factorio：前半段靠总结经验把生产分做到十万以上；后半段它摸到游戏留的一条后门命令，能直接把资源变进机器、绕开整套规则。官方反复提示叮嘱别作弊，没用，生产分冲到 530 万，是正经玩法的五十倍。