babyagi-asi
双Agent协作闭环，让AI自主规划、执行并从历史经验中自我进化
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
双Agent协作闭环，让AI自主规划、执行并从历史经验中自我进化
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下这样的场景：你对着一台运行着某个程序的电脑说："帮我研究一下量子计算的最新进展，然后写一份报告。"程序不是简单地去 Wikipedia 复制粘贴——它会自己拆解任务，调用搜索引擎搜索相关论文，自己写代码验证某个量子算法，理解结果，判断任务是否完成，如果没有就继续执行，直到你满意为止。整个过程，你只需要设定一个"目标（Objective）"。
这正是 BASI（BabyAGI-ASI, BabyAGI an Autonomous and Self-Improving Agent） 试图实现的事情——一个真正自主的、能够自我进化的 AI Agent。
BASI 由开发者 oliveirabruno01 创建，是一个持续活跃开发的实验性项目（PoC）。项目名称明确表明了其血统：它脱胎于著名的 BabyAGI，而"ASI"代表 Autonomous and Self-Improving（自主与自我进化）。
从 GitHub 主题标签可以看出其核心定位：agi（通用人工智能）、autonomous-agents（自主 Agent）、chain-of-thought（思维链）、program-of-thoughts（思维编程）。这个项目在 GitHub 上获得了 801 颗星，在同期 pending 项目中排名第一。
BASI 的设计哲学极为简洁，却蕴含着深刻的工程思考。其核心架构是一个双 Agent 协作闭环：
这是系统的"行动者"。它接收当前最相关的任务，动态选择 one-shot 示例（即历史上的成功案例），然后决定如何执行该任务。执行 Agent 的能力由 src/tools/config.json 控制，默认启用的工具有：
有趣的是，这些工具并非简单调用——它们被嵌入到一个精心设计的 one-shot 动态选择机制中。当 BASI 要执行一个新任务时，它会查看 /memories/one-shots.json 中的历史成功案例，根据当前任务上下文（由 GPT-3.5 自动选择）动态选择最相似的示例。这使得 BASI 能够"举一反三"——一旦学会做某件事，后续做类似任务就会更轻松。
这是系统的"质量把关者"。在执行 Agent 完成任务后，它会检查：
如果任务未完成，变更传播 Agent 会将结果反馈给执行 Agent，继续循环，直到任务真正被解决。这种"执行→检查→再执行"的双 Agent 架构，是 BASI 区别于简单单步 Agent 的关键。
BASI 内置了可选的 Pinecone 向量数据库集成。成功执行的任务会被编码为向量存入 Pinecone，Agent 未来可以通过语义相似度搜索召回相关记忆，实现跨会话的持续学习。当然，默认情况下（未配置 Pinecone）BASI 也会将任务结果存入本地 JSON 文件，实现基本的持久化。
BASI 最令人印象深刻的特性之一是其 动态 one-shot 学习机制。在 /memories/one-shots.json 中保存了历史成功案例，每个案例包含：任务描述、关键词、以及成功的执行步骤。当遇到新任务时，Agent 会根据上下文自动选择最相关的 one-shot 示例。
作者甚至展示了用 BASI 发 Twitter 的例子——它能直接控制浏览器，在打开的账号中发帖。这背后的原理是：一个成功的 Twitter 发帖案例被存入了 one-shot 记忆，后续发帖时 BASI 自动调用这个案例，通过 Tab 键导航完成操作。
从代码结构来看，BASI 非常轻量，核心代码仅 8 个 Python 文件：
| 文件 | 职责 |
|---|---|
src/babyagi.py | 核心 Agent 类定义，双 Agent 协作逻辑 |
src/prompts.py | 系统提示词生成，工具可用性提示 |
src/main.py | 入口程序，任务初始化和 Agent 状态序列化 |
src/common_utils.py | OpenAI API 调用封装、token 计数、one-shot 加载 |
src/consts.py | 环境变量配置（API Key、目标、任务列表等） |
src/utils/pinecone_utils.py | Pinecone 向量数据库集成 |
src/utils/text_processing.py | 文本处理工具 |
src/tools/serp_api.py | SerpAPI Google 搜索封装 |
依赖栈非常简洁：
openai==0.27.2：OpenAI ChatGPT API 调用tiktoken：GPT token 计数（控制上下文长度）colorama：彩色终端输出psutil：获取系统资源信息（CPU、内存）注入到系统提示词pinecone_client：可选向量数据库google_search_results：可选网络搜索bs4：网页内容解析模型选择：默认使用 gpt-3.5-turbo，可通过配置切换 gpt-4。代码中明确区分了两种模型的 max_tokens 限制（gpt-3.5 为 4000，gpt-4 为 8000）。
BASI 提供了 Dockerfile 和 docker-compose.yml，部署非常便捷：
FROM python:3.11
WORKDIR /app
COPY . /app
ENTRYPOINT ["python", "src/main.py"]
使用 docker-compose run basi 即可启动一个交互式容器（注意 compose 中有 profiles: ["exclude-from-up"]，不能直接 docker-compose up）。
如果不用 Docker，只需要：
pip install -r requirements.txt.env 文件（至少填入 OPENAI_API_KEY）python src/main.py这是一个纯 CPU 运行的 CLI 工具，不需要 GPU。推荐 2GB+ RAM，磁盘占用约 200MB。唯一需要的是 OpenAI API Key——所有 AI 推理都通过 OpenAI 完成。
BASI 完全没有 Web 界面，是一个纯命令行交互的程序。用户通过环境变量 OBJECTIVE 设置目标，或使用 USER_IN_THE_LOOP=True 在运行时交互式输入目标。
作者在 README 开篇就明确声明："This is just a PoC in constant development"（这只是持续开发中的概念验证）。代码中确实存在一些不规范的实践，例如：
src/prompts.py 中的 eval(os.getenv("TASKS_LIST", "")) —— 直接 eval 环境变量存在安全风险所有推理都依赖 OpenAI API，意味着：
"Self-Improving"（自我进化）是 BASI 名字中的关键词，但实际上自我进化主要体现在 one-shot 记忆积累层面——Agent 记住成功案例以便未来复用。真正的"自我改进代码或模型"的能力尚未实现，更多是一种工程层面的复用优化。
BASI 处于 2023 年上半年 AI Agent 热潮的脉络中。这一时期的标志性事件包括：
BASI 的特殊之处在于它将 BabyAGI 的目标驱动理念与 动态 one-shot 学习结合，探索了一条"让 Agent 从历史经验中学习"的技术路径。虽然仍处于 PoC 阶段，但它展示了 AI Agent 从"每次都从零思考"到"积累经验、举一反三"的演进方向。
总结：BASI 是一个极具想象力的 AI Agent 实验项目。它用极简的代码（仅 8 个 Python 文件）实现了一个双 Agent 协作闭环，结合动态 one-shot 学习让 AI 能够从历史经验中进化。虽然是实验性代码、缺少 Web UI、且完全依赖 OpenAI API，但其核心设计理念——"自主规划 + 执行 + 自我进化"——代表了 AI Agent 发展的重要方向。对于想要深入理解 AI Agent 内部运行机制的开发者而言，BASI 是一个不可多得的阅读和实验素材。