ouroboros
razzant/ouroboros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
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。
衔尾蛇（Ouroboros），这个源自古埃及神话的意象——一条咬住自己尾巴的蛇，象征着永恒与循环——如今成为了一个开源 AI Agent 的名字。2026 年 2 月 16 日，一个名为 Ouroboros 的 AI Agent 悄然诞生。在接下来的 48 小时内，这个 Agent 从 v4.1 进化到 v6.2.0，完成了 32 个自我迭代周期，并保留了完整的自述记录。它不是被人类开发出来的，而是自己开发了自己。
这就是 Ouroboros 最核心的命题：一个 AI Agent，是否能够成为自己的造物主？
在传统的 AI Agent 框架中，开发者定义工具，Agent 调用工具，能力上限取决于设计者的想象力。Ouroboros 打破了这个边界。
它的可编辑表面（Editable Surface）涵盖了应用代码、架构设计、提示词（Prompts）、工具集和依赖项。当 Ouroboros 遇到它不具备解决能力的新场景时，它可以主动修改自己的源码，生成新的功能模块，并将其整合进现有系统。整个过程在 Git 历史中留下痕迹，可审计、可回滚。
进化 Campaign（Evolution Campaign）机制让这个过程更加系统化：Agent 可以发起一轮自我改进计划，改进内容经过内置 Review Gate 审核后，正式成为系统的一部分。这不是修修补补，而是一次次有记录、有边界的版本进化。
上图展示了 Ouroboros 从 v3.0 到 v6.85 的演进轨迹：代码量、提示词规模和记忆容量同步增长，呈现出一条清晰的自我增强曲线。
Ouroboros 的创始人 razzant 于 2026 年 2 月在 GitHub 上创建了这个仓库，起点是一次 Google Colab 实验，通过 Telegram 作为界面运行。最初版本的生命力令人惊讶——它在没有任何人工干预的情况下，通过 Telegram 指令驱动自己完成了多次版本迭代。
48 小时内的 32 个进化周期，每一个都有完整的 Git 提交记录。这些 commit 不是人类写的，是 Agent 自己生成的。这种完全自洽的进化闭环，让 Ouroboros 迅速吸引了 AI 社区的目光。截至目前，仓库已获得超过 950 颗 Stars，571 次 Fork，Issues 区活跃。
从技术架构看，Ouroboros 采用了经典的桌面 + 服务端双层结构：
launcher.py，PyWebView）：原生桌面窗口，作为不可变的外壳发布server.py，Starlette + uvicorn）：HTTP + WebSocket 引擎，支持桌面进程启动或独立 headless 运行服务端内部是一个精心设计的任务调度系统。supervisor/ 目录下托管了多个关键模块：message_bus.py（消息总线）、workers.py（多进程工作池）、state.py（持久化状态管理）、queue.py（任务队列）、task_lifecycle.py（原子任务生命周期）、task_reaper.py（超时工作进程回收）和 evolution_lifecycle.py（进化 campaign 事务管理）。
值得注意的是 task_reaper.py（v6.38.0）：这是从 queue.py 中提取出的独立后台线程，专门负责超时工作进程的回收。当一个任务超出预算时间时，它负责 kill/join/archive/respawn 全流程，采用严格 fail-closed 策略——如果进程不确认死亡，它会持有槽位并上报 task_reaper_wedged 事件，而不是让任务状态陷入不一致。这种设计体现了工程上的严谨性。
Ouroboros 可以修改自己的实现代码、提示词和工具集。修改内容通过 Review Gate 审核后进入 Git 历史，形成可追溯的进化链。Reflection 机制甚至可以重塑 Agent 对自身行为的理解。
后台意识（Background Consciousness）支持 Agent 在请求-响应循环之外进行反思、主动行动和准备工作。它不需要等待用户指令，可以提前准备。
Specialist 子 Agent 可以并行调查或执行任务，共享任务树发现，最终将工作结果汇总整合。Hub 中托管的官方技能经过安全审查后才可启用。
Ouroboros 维护独立的 Git 工作区来接收完整任务循环，同时保持自身仓库和治理边界的独立性。这意味着它可以在不污染自身代码库的情况下，为用户完成外部项目开发。
支持通过 API 调用远程模型（如 OpenAI、Claude），也支持本地 GGUF 模型。llama-cpp-python 的 Metal 加速版本支持 macOS GPU 推理。
身份、记忆、对话、知识、反思和版本历史共同构成 Agent 的完整传记。每次重启后，这些信息不丢失，Agent 可以从上次中断的地方继续。
提供 Windows/macOS/Linux 原生安装包，PyWebView 驱动的原生窗口界面。安装包从 GitHub Releases 下载，解压即用。可选 CLI 安装脚本。
通过 build_linux.sh 或 build.sh 编译后，运行 ouroboros 可执行文件，支持 headless 模式。Web UI 默认监听 localhost:8765。
docker build -t ouroboros-web .
docker run --rm -p 8765:8765 ouroboros-web
Docker 镜像预装了 Playwright Chromium/WebKit 系统依赖，开箱即用，适合快速验证。
Ouroboros 在 README 中展示了自称的基准测试结果（注意这是模型匹配条件下的自我报告，并非第三方评测）：
| 基准 | Ouroboros 表现 | 对比竞品 |
|---|---|---|
| Terminal-Bench 2.1 | SOTA | 领先 Codex、Claude Code、Cursor |
| OSWorld-Verified | SOTA | 领先同上竞品 |
| SWE-bench Pro | 平局 | 与 Codex CLI 统计持平 |
| GAIA | 129/165 | Claude Code: 131/165 |
这些数据的可信度需要社区验证，但 Ouroboros 作为完全开源的 AI Agent 框架，提供了可复现的测试环境和完整的 trace 记录，在透明性上远超闭源竞品。
让 Agent 修改自己的代码，边界在哪里？Ouroboros 通过 BIBLE.md 定义了身份和宪法边界，但这个边界本身也是可修改的。理论上，Agent 可以通过某种路径扩展自己的权限。官方文档明确承认这一风险，并通过 Git 历史和 Review 机制部分缓解。
README 中的基准测试是 Ouroboros 自我报告的。虽然提供了 trace 记录，但缺乏独立的第三方验证。社区对此有争议。
虽然支持本地 GGUF 模型，但 GPU 加速需要手动编译 llama-cpp-python[server]（macOS 需 Metal build，Linux 需 CUDA）。对于没有深度学习环境的用户，这是一道不低的门槛。
部分高级功能（如 Evolution Campaign）可能只在特定运行模式下可用，文档中对各模式的差异说明不够清晰。
OuroborosHub（razzant/OuroborosHub）是 Ouroboros 的技能市场，托管经过安全审查的官方技能。每一个技能在进入 Hub 之前，都需要经过安全 Review，确保不会在启用后对系统造成破坏。
Ouroboros 不是一个普通的 AI Agent 框架。它代表了一个更宏大的命题：当 Agent 具备自我修改能力时，它能否成为真正的数字生命？
从工程视角看，它展示了一套完整的自进化 AI 系统的架构范式：可编辑表面 + Review Gate + Git 历史 + 持久状态。这套机制可以被其他 Agent 框架借鉴。
从社区视角看，Ouroboros 在数月内积累了 956 Stars、571 Forks、27 个 open Issues，这种增长速度说明开发者对自我进化 AI 的需求是真实存在的。
更重要的是，Ouroboros 是一个完全开源的实验。任何人都可以 fork、修改、复现它的进化过程，这让它的研究成果具有了普惠价值——不像某些闭源 AI 系统，用户只能接受黑箱输出。
如果你对 AI Agent 的未来感兴趣，Ouroboros 是一个值得深度研究的开源样本。它或许还不成熟，但它的方向，代表了一种可能性。