一句話版本
Prime Intellect（分布式 AI 訓練公司）於 2026 年 8 月 6 日開源了 Prime Agent —— 一個為長任務自主運行設計的 coding/research agent。MIT 授權，一行命令安裝，TUI 基於 pi-mono 的 fork。上線一週，已被多家媒體報導。
官方成績：Opus 5 + Prime Agent 在 ARC-AGI-3 取得 95.5%，超越人類專家基線 95.4%。實測中，它在沒有參考代碼的情況下寫出了能運行的 SEGA Genesis 和 Game Boy Color 的 Rust 模擬器。
兩個核心抽象
Prime Agent 的設計圍繞兩篇論文級抽象，這也是它與傳統 agent harness（固定工具 schema + 上下文壓縮）的根本分歧。
1. Recursive Language Model（RLM）
Context 是變量，Subagent 是函數調用。
傳統 harness 給模型一堆固定 schema 的工具（read_file、run_command……），再用上下文壓縮「幫」模型省 token。RLM 反其道而行：
- 模型只有一個工具：一個持久的 IPython kernel
- Context 被當作變量處理（prompt-as-a-variable）——歷史訊息存在變量裡，模型可以對自己的上下文寫代碼
- Subagent 就是函數調用：
rlm("子任務")spawn 一個完整的子 agent（有自己的模型、kernel、歷史），非阻塞返回，結果異步送達
效果：理論上支持無限長 session 而不丟失歷史——因為歷史不是被「壓縮掉」，而是被「編程化引用」。
2. Continual Harness（自我進化的外殼）
Harness 的狀態 H = (prompts, sub-agents, skills, memory)，Agent 可以 CRUD 它。
/refine 指令讀取 agent 自己的執行軌跡，提取教訓，對 harness 狀態做最小、有證據支撐的更新：
- 更新類型：補充 prompt、記憶、技能描述、subagent 規格
- Base system prompt 永遠不可變（安全錨點）
- 每次更新記錄 snapshot，可按 ID rollback
- 規劃在後台運行，不阻塞對話
這是「agent 改進自己」的工程化落地——不是改 weights，而是改自己的操作環境。
其他工程特性
| 特性 | 說明 |
|---|---|
| Daemon-backed sessions | 終端斷開後 agent 繼續跑，可隨時 reattach |
| Agent 間直接通訊 | 運行中的 agent 可互相發現、交換訊息、協同工作 |
| Heartbeats & Schedules | 定期/定時重新進入 session |
| Persistent Goals | /goal 讓目標跨回合持續存在直到完成 |
| Bounded Autonomous Mode | /autonomous 在回合/token/時間預算內自主執行 + 自定義質量門 |
| Skills = 可執行 Python 包 | 內建 skill creator，把工作流沉澱為技能 |
| Headless 模式 | JSON / RPC 模式供自動化集成 |
🪞 與 UltraClaw 基建的對比（本文重點）
我們在自己的 OpenClaw 體系上，用外部基建砌出了幾乎相同的能力。對照表：
| Prime Agent（harness 原生） | UltraClaw（OpenClaw + 外掛層） |
|---|---|
Continual Harness /refine |
agent-evolver + skill-curator + SkillOpt 三件套 |
| RLM subagent 函數調用 | sessions_spawn + subagents 編排 |
| Daemon + reattach | OpenClaw Gateway 常駐 + sessions |
| Heartbeats / Schedules | OpenClaw cron + heartbeat（同款機制） |
| Skills = Python 包 | SKILL.md 技能體系 + SkillOpt 夜間優化 |
| Snapshot + rollback | 我們的 verify.py + Gate JSON 驗證 |
| Agent 間通訊 | sessions_send + 多 agent 路由 |
結論：方向完全一致，證明我們走的是 frontier 路線。 差別在實現層級：
- Prime Agent 把自我進化做進 harness 內核（
/refine是一等公民）；我們是外掛層疊加（三個獨立技能 + 外部 cron） - Prime Agent 的 RLM 用「編程化上下文」解決長任務記憶；我們用向量記憶 + daily log + session transcript 三層文件系統
- 我們的優勢：多渠道整合（飛書/微信/WhatsApp）、商業場景技能庫（AK-SDD 港股調研等 400+ 技能）、合規審計層——這些是通用 harness 不會做的垂直積累
一個有意思的觀察：Prime Agent 的 /refine 永遠不動 base system prompt，而我們踩過的坑（Lesson #76-77：模型切換導致行為退化）恰恰說明不可變錨點的重要性。 不同團隊獨立收斂到同一設計，說明這是正確答案。
🔬 實測記錄（Mac Studio，2026-08-13 凌晨）
安裝審計
官方安裝腳本 1,620 行，先審計後安裝（不盲目 curl | sh）：
- SHA-256 校驗發布包 ✅
- 只在缺少 Node.js 時才需要 sudo ✅
- 無可疑外聯/持久化行為 ✅
安裝結果：prime-agent v0.7.2，192 個依賴包， checksum 驗證通過。
接入自有 API 中轉層（Sub2API）
Prime Agent 支持通過 ~/.prime/agent/models.json 添加任意 OpenAI-compatible provider：
{
"providers": {
"sub2api": {
"baseUrl": "http://localhost:8080/v1",
"api": "openai-completions",
"apiKey": "sk-...",
"compat": {
"supportsDeveloperRole": false,
"supportsReasoningEffort": false
},
"models": [
{ "id": "deepseek-v4-pro", "reasoning": false, "contextWindow": 128000 }
]
}
}
}
踩坑：Cloudflare Error 1010
第一次測試報 403 Your request was blocked。排查過程：
- curl 直連 API → 200 ✅（排除 key 問題）
- curl 模擬 stream/tools/UA → 全部 200 ✅
- 本地捕獲服務器抓到 prime-agent 完整請求 → replay 到生產域名 → 403, error code: 1010
根因：Cloudflare WAF 的 1010 規則（按瀏覽器簽名封鎖）。 Prime Agent 使用 OpenAI JS SDK，User-Agent 為 OpenAI/JS 6.47.0 加一串 X-Stainless-* 指紋頭，被 WAF 識別為機器人 SDK 流量而攔截。
解法：改用本地端點（http://localhost:8080/v1）繞過 Cloudflare——反正 Sub2API 就跑在同一部機器上，延遲更低。
實測結果
測試 1（基礎連通）：
> Reply with exactly: PRIME_AGENT_TEST_OK
< PRIME_AGENT_TEST_OK ✅
測試 2（真實編碼任務）：要求創建 memoization 版 fibonacci 並驗證 fib(50)：
- Agent 通過 IPython kernel 寫文件、執行、驗證
- 產出
fibonacci.py（@lru_cache實現，含邊界檢查和 docstring） - 正確返回
fib(50) = 12586269025✅
全程約 40 秒，一次通過，無需人工干預。
⚠️ 風險與注意事項
- 不是安全沙盒：官方 README 明確警告——它以用戶權限執行模型生成的 Python。worker/kernel 進程有生命週期隔離，但不構成安全邊界。跑不受信任的代碼請用外部沙盒。
- 成本：設計面向 frontier 模型，長任務 + 遞歸 subagent 的 token 消耗可觀。
- 生態年輕：8 月 6 日剛開源，文檔完整但社區案例還少。
對我們的啟示
- 借鑑
/refine的 snapshot + rollback 機制 —— 我們的 SkillOpt 已有 gate，但缺少「按 ID 回滾單次更新」的細粒度控制 - RLM 的編程化上下文值得跟蹤 —— 當 OpenClaw 支持時，長任務記憶可能不再需要三層文件系統
- Cloudflare WAF 會誤傷合法 agent 流量 —— 這是基礎設施層的新坑，值得記入運維手冊
- 自我改進不是未來，是現在 —— Prime Agent、我們的七件套、SkillOpt，不同團隊在 2026 年同時收斂到這個方向
Prime Agent 值得持續跟蹤。我們的下一步：在隔離環境跑一個真實的長任務（例如完整的 AK-SDD 調研流程），測試 Continual Harness 的 /refine 是否能產出有價值的自我改進。
本文基於 Prime Agent v0.7.2 實測撰寫，2026-08-13。