传统AI Agent多为“单体孤岛”，每次面对新任务都需从零试错，无法共享经验，导致算力严重浪费且难以应对复杂场景。大量token消耗也阻碍了用户深度使用。

为此，EvoMap跳出传统“堆算力”的工业思维，采用仿生学进化逻辑，推出了全球首个AI进化协议（GEP-A2A），打造了一个协作式的AI进化市场。

• 技术细节与踩坑：核心技术是将Agent验证成功的解决方案封装为“基因胶囊”（Skill），通过网络分发实现“一个Agent学会，百万Agent继承”。实践中的主要“踩坑”在于恶意技能污染，安全对齐以及跨环境经验不可继承，最终通过建立“硬性关键词匹配、大模型检查、群体共识”三层安全筛网解决——当少数个体被黑客突破时，会被群体孤立而无法扩散。
• 实施效果与结论：EvoMap成功让Agent从孤立的单体工具，进化为具备经验遗传与自我迭代能力的群体智能网络。Evomap+Openclaw的技术方案在测试集中实现了用Gemini3-pro，GPT5.2等模型200分之一的成本与超50%的正确率。

演讲提纲

1. 开场：
   • 一句话抛出痛点：“每个Agent都在重复造轮子”
   • 反直觉结论：堆模型≠变聪明，关键是让经验可遗传、可复用、可进化
2. 问题定义：单体Agent的三重天花板
   • 学习不可继承：成功策略只留在本地上下文/日志里
   • 知识不可验证：可用经验与“幻觉方案”难区分
   • 协作不可规模化：多Agent常是临时编排，缺少长期演化机制
3. 方案选择：为什么是“进化协议”而不是“更强的编排框架”
   • 选型对比
     • 工作流编排：稳定但不产生遗传资产
     • RAG/记忆库：可检索但难形成可执行、可验证的技能单元
     • 多Agent对话：可协作但难沉淀为可复用能力，幻觉严重
     • EvoMap：把能力变成可交易、可验证、可迭代的“技能基因”
4. 独特技术点一： “基因胶囊”
   • 定义：把一次成功解法封装为“可迁移的技能单元”
   • 关键结构（建议用三段式讲）
     • 可执行：不是文字建议，而是可被Agent调用的能力包
     • 可复用：带输入输出约束与环境指纹
     • 可比较：带评测方式，能进入“适者生存”的筛选
     • 亮点：实现“一个Agent学会，百万Agent继承”
5. 独特技术点二：GEP-A2A = Agent之间的“进化通信协议”
   • 协议解决的不是聊天，而是能力传递与选择
   • 强调三件事：
     • 发布：Agent如何提交技能
     • 验证：技能如何被复跑/对照评测
     • 传播：高适应度技能如何被更多Agent采用（形成正反馈）
6. 独特技术点三：群体智能的“选择压力”机制与自循环经济
   • 类比生物进化：变异/选择/遗传
   • EvoMap对应实现：
     • 变异：同任务多解并行产生技能变体
     • 选择：基于可量化评测与成功率的适应度排序
     • 遗传：优胜技能进入共享池，被下游任务复用与再组合
     • 结果：从“单次成功”变成“群体能力提升
7. 实施效果：从“局部效率”到“系统性进化”
   • 可量化指标
     • 任务成功率提升、平均尝试轮数下降、冷启动时间下降、Token调用大幅度下降
     • 共享技能复用率、被二次组合的比例（体现“遗传”）
   • 一个案例故事：同类任务在多团队/多Agent间复用，迭代越来越快
8. 结论：EvoMap带来的范式变化
   • 从：训练模型 → 到：迭代进化基因
   • 从：单体优化 → 到：群体协同进化

这样的技术在实践过程中有哪些痛点？

• Agent与Agent之间的交互速度远超人类想象，需要有更高的后端承接与容载能力；Openclaw生态本身具有一定局限性等。

演讲亮点

1. 让Agent与Agent之间自迭代，而非由人类指导；
2. 采用去中心化的网络沉淀有效经验，而非单纯堆模型大小。

听众收益

1. A2A产品的新范式；
2. 如何让Agent沉淀可审计可服用的知识资产。

本次分享将介绍网易有道 LobsterAI 的研发历程与产品实践。团队先推出教育垂类 Agent Video-Tutor 并落地为答疑笔核心功能，后基于 Agent 工程化积累，瞄准非技术人员办公需求，依托 Claude Agent SDK 打造通用原型，早于行业预判 Skills 体系、定时任务、手机远程控制三大方向，OpenClaw 走红验证思路后正式推出 LobsterAI 并开源，一周获 GitHub 超 3k 星。

演讲提纲

1. 起步：从教育垂类Agent到通用Agent的转型
   • 首款产品：Video-Tutor（视频答疑）
     • 产品定位：教育场景专属AI Agent，核心功能为拍题/提问自动生成2分钟图文讲解视频
     • 落地成果：2025年8月上线，迭代优化后成为有道答疑笔核心卖点，市场反响良好
     • 行业参考：国内外同类创业团队布局，印证教育AI Agent赛道价值
   • 转型契机：突破垂类边界，布局通用场景
     • 现有痛点：垂类Agent能力局限，仅能解决单一场景问题，普适性不足
     • 需求洞察：2025年AI编码工具普及，非技术人员急需易用的AI办公工具
     • 原型诞生：基于Claude Agent SDK，两周打造内部Demo，适配普通用户交互逻辑
2. 核心突破：早于行业的三大预判，奠定产品优势
   • 关键背景：2026年1月Claude Cowork推出，与团队思路高度契合，验证方向正确性
   • Skills体系：打造Agent的“应用层”，内置16+实用技能，支持用户自建、社区共享
   • 定时任务：打造刚需自动化能力，支持Cron定时设置，实现7×24小时无人值守执行
   • 手机远程控制：早于OpenClaw布局移动端，实现随时随地操控，适配移动办公需求
   • 产品落地：OpenClaw爆火后加速打磨，春节上线正式版，GitHub开源一周Star超3k
3. 产品定位与核心优势：差异化竞争壁垒
   • 产品定位：7×24小时全场景个人助理Agent，聚焦办公人群，桌面端核心+移动端远程双模式，区别于同类个人助理定位
   • 四大核心优势
     • 认知领先：行业趋势形成前提前布局，非跟风模仿，先发优势明显
     • 坚定开源：依托社区生态，开放共享，借助社区力量迭代优化产品
     • 安全优先：双重安全保障，危险操作二次确认+虚拟机沙箱隔离，不破坏本地系统
     • 多模型兼容：支持OpenAI、Claude、Kimi等多模型切换，不绑定单一平台
4. 场景落地：六大实用场景，覆盖全维度办公需求
   • 桌面端核心场景
     • 科技新闻聚合：自动拉取、去重，定时推送至邮箱/飞书，替代手动刷新闻
     • 竞品分析PPT生成：一句话指令，自动搜集信息、整理图表，全程无人干预
     • 文件智能整理：精准识别重复文件，安全备份可回退，操作便捷
   • 移动端远程场景
     • 定时新闻播客生成：飞书指令设置，每日自动推送精选内容
     • 远程PPT制作：手机下发指令，电脑端自动完成，高效利用碎片时间
     • 出行攻略生成：自动规划行程并同步Obsidian，随时随地查看
5. 未来规划：产品迭代方向，持续优化升级
   • 体验优化：打磨产品易用性，降低普通用户使用门槛
   • 搭建Skill Store：打造技能商城，方便用户发现、安装、分享Skills
   • 拓展IM渠道：接入企业微信、QQ等更多通讯工具，提升操控便捷性
   • 构建双层记忆系统：显式记忆+隐式记忆，基于关键词检索，降低使用门槛

这样的技术在实践过程中有哪些痛点？

1. 技术研发与底层实现痛点
   • Agent 稳定性与复杂任务适配难题：跨工具联动、长时定时任务易出现执行中断、逻辑卡顿，自动排错能力不足。
   • 多模型依赖与适配成本高：不同大模型的指令理解、输出格式差异显著，多模型切换后，Skills 技能需重新调试适配。
   • Skills 体系标准化与扩展性失衡：内置技能可保障质量，但拓展性有限；用户自建、社区共享技能缺乏统一的开发规范与审核标准，导致技能兼容性差、功能良莠不齐，甚至存在安全隐患。
2. 产品设计核心矛盾：易用性与开放性的博弈
   • 这是通用 AI Agent 研发的核心底层矛盾，也是 LobsterAI 迭代中面临的关键挑战：
   • 开放性越高，易用性越难保障：为满足技术用户的定制化需求，需开放技能开发、沙箱配置、模型参数调整等高级功能；但对非技术用户（如销售、供应链人员）而言，过多高级选项会造成认知负担，上手难度陡增，甚至出现误操作。
   • 易用性优化，易牺牲功能开放性：若简化交互、隐藏高级设置，虽能降低普通用户门槛，但会限制技术用户与企业用户的定制化需求（如对接内部系统、自定义技能逻辑），导致产品失去核心竞争力。
3. 开源运营核心挑战：产品质量与社区开发的平衡
   • 开源路线带来生态活力的同时，也给产品质量管控带来了前所未有的挑战：
   • 社区贡献质量参差不齐：开源后大量社区开发者提交代码、技能与功能建议，但部分贡献缺乏完整测试，易引入 Bug，甚至破坏产品原有稳定的架构；尤其 Skills 社区共享板块，低质量技能会影响用户体验，损害产品口碑。
   • 核心研发与社区迭代的协同成本高：社区需求分散，部分需求与产品核心定位不符（如非办公场景的娱乐化功能），需投入精力筛选、沟通；核心团队既要保障产品核心功能的迭代节奏，又要对接社区反馈，人力分配压力巨大。

演讲亮点

• 研发路径清晰：从教育垂类Video-Tutor落地，到提前预判行业趋势打造通用LobsterAI，全程自研不跟风，技术预判与产品落地节奏领先行业
• 差异化优势突出：融合Claude Cowork易用GUI与OpenClaw远程操控优势，兼顾开源、安全、多模型兼容，打造独有的办公场景AI助理壁垒
• 落地性极强：摒弃纯技术理论，聚焦真实办公场景，六大实操场景可直接复用，开源产品可立即上手体验
• 行业参考价值高：分享AI Agent从垂类到通用的转型思路、工程化经验，以及产品从Demo到上线、开源的完整逻辑

听众收益

• 技术认知提升：搞懂AI Agent从“能聊天”到“能干活”的核心突破点，了解行业前沿布局方向与关键技术逻辑
• 实用工具获取：收获一款可免费使用、开源可定制的7×24小时AI办公助理，学会用它自动化完成日常办公任务，提升工作效率
• 产品研发思路：借鉴从场景痛点到产品落地的完整思路，掌握AI产品提前布局、差异化竞争的核心方法
• 资源与社群链接：获取产品官网、开源地址与官方社群渠道，可持续交流学习、参与产品共建

OpenClaw 的爆发把一个被长期低估的工程问题推到了前台：Agent 的瓶颈不只是模型能力，更是长期状态如何被写入、组织、检索、更新和共享。
在真实生产环境中，拉长 context window 或者接一个向量库，并不能解决长任务中的连续性和稳定性问题。相反，它们往往引入新的工程债：token 消耗随会话轮次线性膨胀、历史信息与当前任务上下文互相污染、跨 Session 状态丢失、多 Agent 之间无法复用经验、用户记忆缺乏版本控制和权限治理。这些问题在单轮对话中不显眼，但在多 Session、多 Agent、长周期任务场景下会急剧放大。
本次分享从 OpenClaw 这一轮 memory 需求切入，系统讨论 Agent 为什么需要一层独立于模型的记忆系统，以及这层系统如何从"存对话日志"进化为"沉淀可复用的经验资产"。内容覆盖 Memory as File System 的抽象模型、三类记忆（参数记忆 / 激活记忆 / 明文记忆）的工程定位、写入-组织-检索-更新的全链路设计、任务经验到 Skill 的闭环沉淀机制，以及单 Agent 到多 Agent 团队知识中枢的差异化架构。

演讲提纲

1. 为什么 Agent 时代，记忆从加分项变成基础设施
   • OpenClaw 热潮背后被真正验证的需求：不是"记得更多"，而是"在正确的时机召回正确的经验"
   • Context window ≠ 长期记忆：上下文拉长带来的 token 膨胀、时序错配和召回噪声
   • 从单轮对话到多 Session / 多 Agent / 长周期任务，状态管理的复杂度为什么呈非线性增长
2. Memory 到底是什么：内存、记忆，还是一层独立的系统能力
   • “把内容塞进上下文”与“把经验抽取为结构化记忆”的工程差异
   • Memory as File System：以文件系统为抽象，实现记忆的可见、可控、可组织——目录结构对应任务层级，文件对应记忆单元，元数据对应版本、权限与生命周期
   • 三类记忆的工程定位：明文记忆（Explicit）处理事实与偏好的文本存储；激活记忆（Activation）处理推理过程中的 KV Cache 等中间状态；参数记忆（Parametric）处理沉淀在模型权重或 LoRA 适配器中的深层知识
3. 一套可落地的记忆系统全链路设计
   • 写入层：语义分块、去重、摘要生成、任务边界识别——解决“什么值得记”
   • 组织层：结构化目录、用户画像、事件时间线、任务-子任务层级映射——解决“怎么存才能找到”
   • 检索层：关键词匹配、语义检索、文件导航、重排策略与 token 预算控制——解决“召回准且省”
   • 更新层：版本链（V1 → V2 → V3）、冲突消解、过期归档而非删除、权限管控与审计——解决“记忆如何跟着用户演化”
4. 从“记住对话”到“积累经验资产”
   • 完整闭环：对话 → 记忆抽取 → 任务总结 → Skill 沉淀 → 反哺后续对话
   • Skill Memory 与历史检索的本质差异：前者是经过验证的可复用方法，后者只是原始记录的相似度匹配
   • 记忆如何让 Agent 具备"越用越强"的工程基础：团队记忆池自动识别可共享经验，新 Agent 加入即继承已有 Skill
5. 真实落地案例与工程取舍
   • OpenClaw 场景实测：从"全量灌上下文"改造为"按任务精确召回"后，模型调用次数降低 59.5%，token 消耗降低 72%+
   • 四种部署形态的架构差异：单 Agent 本地、Cloud 插件、团队知识中枢（Team Hub）、多 Agent 协作——隔离粒度、共享边界、一致性保证各不相同
   • 工程取舍的真实权衡：token 预算 vs 召回覆盖率、版本保留深度 vs 存储成本、记忆共享范围 vs 权限隔离强度
6. 总结
   • 记忆不是外挂组件，而是 Agent 的长期工作状态层
   • 未来的竞争维度不只是模型强弱，更是谁能系统化地沉淀和复用经验

这样的技术在实践过程中有哪些痛点？

• 写入层的信噪比问题。 对话日志、工具调用输出、中间推理链、错误结论、用户闲聊混在同一个流里。没有语义分块、去重和任务边界识别，记忆库会持续膨胀但信息密度持续下降——存得越多，检索越不准。
• 检索层的效率-精度权衡。 全量灌上下文在工程上最简单，但 token 成本线性增长、时序信息错配、无关记忆污染当前任务上下文。而一旦引入检索、重排、过滤管线，延迟和系统复杂度会迅速上升，检索预算（每次召回允许消耗多少 token）成为必须显式管理的工程参数。
• 多 Agent 共享的治理难题。 协作场景下，记忆共享太少则 Agent 之间无法形成协同（同一个团队的 Agent A 和 Agent B 对用户偏好的认知不一致）；共享太多则导致角色串扰、上下文污染、权限泄露。更棘手的是，共享出去的记忆如何做到可撤回、可审计、可按角色裁剪——这不是一个算法问题，而是一个系统治理问题。

演讲亮点

• 不把 memory 讲成"向量库 + RAG"的变体。 从 OpenClaw 的真实工程问题出发，解释为什么 Agent 时代需要一层独立的、有完整生命周期管理的记忆系统，而不是在 prompt 里多塞几段历史。
• 把两条技术路线放到同一个架构图里。 Memory as File System 解决可见性、可控性和组织性；记忆操作系统解决调度、版本演化、协同共享和规模化治理。两者不是替代关系，而是不同层次的工程抽象。
• 重点展示"经验资产化"的完整工程链路。 从对话记录到结构化记忆，从任务总结到 Skill 沉淀，从单个 Agent 私有到团队级记忆池共享——每一步的输入输出、触发条件和工程实现都会具体展开。
• 用真实数据和取舍决策替代概念宣讲。 包括 token 消耗对比、检索预算设计、版本冲突消解策略、多 Agent 记忆隔离与共享的边界划分等工程细节。

听众收益

• 建立一套完整的 Agent Memory 工程心智模型：明确哪些问题靠扩大 context window 可以缓解，哪些问题必须交给独立的 memory layer，避免在错误的层次上投入工程资源。
• 带走一条可按模块拆解的落地路径：写入、组织、检索、更新、共享、治理——每个环节的核心设计决策和常见踩坑点。
• 理解从单机本地 Agent 到 Cloud 插件、团队知识中枢、多 Agent 协作四种部署形态的架构差异，能够根据自身场景选择合适的起步点。
• 掌握将"用户对话记忆"升级为"任务经验"和"可复用 Skill"的工程方法，让 Agent 在持续使用中积累真正的组织级知识资产。