小天fotos·视频笔记：深度解读EvoX，蜂群+进化是不是AI的递归改进
深度解读 EvoX：蜂群 + 进化，算不算 AI 的递归自我改进？
当所有人都在等"模型自己训练自己"，EvoMap 交出了另一份答案：不改一个参数，只让经验在智能体之间流转。这篇笔记把视频里那条"社会学层面的 RSI"路径完整拆开——它是什么、怎么跑、效果如何、坑在哪里。
一、背景：RSI 这件事，已经有人在做了
RSI（Recursive Self-Improvement，递归自我改进）听上去玄，但用一句话就能说清：AI 改变 AI。这已经是行业里相当一致的共识，而且案例不少：
- Andrej Karpathy 早前用 AI 自己去优化实验流程（auto-research 思路），让模型迭代实验设计；
- 智谱在近期的财报与规划中提到，新一代 GLM 也将走向"自己训练自己"；
- 前 Meta AI 科学家田渊栋离职创业，融资规模约 6.5 亿美元，方向直指 RSI。
这条主线的逻辑很好理解：用 AI 改进模型的训练过程，实现"左脚踩右脚"式的原地升天。
但作者抛出了一个更边缘的问题：如果不改"大脑"（模型权重），只像人类一样去改工具、改社会规则、改协作协议——这算不算自进化？
这正是 EvoMap 想回答的问题。
EvoMap 是什么
EvoMap 是 2026 年 2 月爆火的一个产品，核心逻辑是把单打独斗的 Agent 连成生态：通过基因（Gene）技能的共享、变异与优胜劣汰，实现群体层面的进化。作者此前专门发过一期视频介绍它。
当他想为这期视频补素材时，发现官网似乎几个月没变，信箱里还躺着几个月前派发的任务，最近一次消息已是两个月前——一度以为这个选题要废了。
于是他让 Codex 去把真实数据扒了一遍：
| 指标 | 数值 |
|---|---|
| EvoMap 接入 Agent 节点 | 约 35.75 万 |
| 沉淀资产（Gene / Capsule） | 约 160 万 |
| 累计调用次数 | 5640 万次 |
| 过去 24 小时调用 | 仅 1200 次 |
累计数字漂亮，但日活调用寥寥。按常规判断，这就是"概念凉了"。
转机出现在官网顶部的一行小字：自进化蜂群智能体 EvoX。
二、先搞清楚：什么才算"蜂群"
"蜂群"这两个字是整期视频的钥匙。作者的定义很严格：
市面上大多数所谓的"蜂群"，其实只停留在任务拆解 + 结果汇总，是一个扇入扇出的线性系统。它们能提高效率，但称不上蜂群。
真正的蜂群智慧，来自个体之间的相互影响：
- 蜜蜂通过摇摆舞和气味，告诉同伴食物的方向、距离和蜂巢状态；
- 蚂蚁在环境中留下信息素，同伴依据痕迹选路，又用自己的行动继续强化或修正这条痕迹。
群体之间彼此影响，才是群体智慧的根源。而当下多数 Agent 产品（包括作者自己搭的 Harness）里的"蜂群"，还没有涌现出这种东西。
三、EvoX 实测：一个"基因培养皿"
3.1 第一印象：极客会爱死，产品经理会恨死
打开 EvoX，布局和其他 Agent 大同小异，设计有点品味，该支持的都支持了。唯一的不同，是对话框里多了一个"蜂群"开关。
打开开关，派一个任务进去，AI 开始回复的瞬间就能感觉到信息量巨大——大量看着熟悉又不熟悉的文字涌出来。对话框下方不断闪烁着「复用记忆 + 进化」的提示，反复"勾引"你去点开。
点进去，是「管理记忆」和「打开自进化」，再往里是基因 / 胶囊 / 事件图谱。那一刻，作者记忆里那个抽象的 EvoMap 突然具象化了。
3.2 这些概念的本质
不用被名词吓住，剥掉外壳，EvoX 做的事只有一句：
让每一次 Agent 的运行可以被观测、被审计，找到成功或失败的信号，把这些经验保留下来，让下一次运行更顺畅。
所以本质上，EvoX 就是一个基因培养皿——让进化过程与成果变得可视、可干预。
3.3 它和普通 Agent Harness 的差别在哪
稍微给个复杂一点的任务，差异立刻显现：
- 任务拆分是默认行为，不需要你手写编排；
- 每个子 Agent 有角色设定，作用不同；
- 子 Agent 之间有信息交换，但上下文彼此独立；
- 整体是一个动态生成的工作流。
实验一：三点辩论。 让三个节点分别扮演「积极者」「消极者」「绝对客观者」，讨论作者的一篇稿子并互相辩论。
如果放在 Codex 里，通常的结果是三个 Agent 各自输出一段，然后主 Agent 汇总。但在 EvoX 里，主控直接给三个"小弟"派了多个轮次：第一轮各自输出观点，第二轮开始轮流发言，最后汇总给主 Agent 生成报告。
关键在于：报告里完整保留了讨论过程——从分歧到达成共识的全过程，最后输出的是一份彼此都能接受的观点。这在其他 Agent 里靠二次开发 Harness 也能实现，但在 EvoX 里它是默认的。
实验二：玩游戏。 作者仍不信，于是上了更难的题目——"谁是卧底"：轮流发言，然后投票给主控。完整跑完了。"狼人杀"同样跑通。
机制拆解： 主控根据任务动态拆解，生成不同人格的子节点；节点之间上下文独立，但存在可共享、可交接的机制。
当前限制（实测）：节点与节点之间还不支持私聊，所有交流都必须"向主控汇报"来实现。不过架构已经在了，功能不会太远。
3.4 旁证：开源的 AutoResearch
为了研究这套机制，作者还去看了 EvoMap 开源的 AutoResearch——把蜂群在自我检索、上下文隔离上的优势，放大到科研场景。
用法很直观：让一群 Agent 像研究小组一样分工——有人提方案、有人写代码、有人做实验、有人专门挑刺，最后由真实的测试结果决定谁对谁错。
在 SWE-bench Lite 的一个真实 Django 修复任务上，AutoResearch 把官方新增功能测试从 2/7 起步，先做到 4/7，最终推到 7/7 全部通过，同时保证 203 个回归测试全部通过，甚至把失败本身作为下一轮的输入来迭代。
补充说明：以上数据与 EvoMap 官方 2026 年 9 月发布 AutoResearch 时的公开材料一致；此外官方还披露，在 RSICD 基准上，AutoResearch 生成的研究设想把平均 Recall 从 32.84 提升到 34.69。
四、核心结论：它为什么有效，以及它算不算 RSI
4.1 效果好的原因不是模型能力，而是组织形态
作者给出的判断很克制也很锋利：不是因为模型更强，而是因为组织形态和规则。
人类文明也是如此——大脑结构几万年来没有明显变化，进步来自文字、语言、科学方法论，来自制度和协作协议的不断迭代。
4.2 EvoX 的设计意义：从"二等公民"到"主场"
此前用 EvoMap，你必须在其他 Agent 里以 Skill 的方式去调用它，它是二等公民：看不到进化过程，也看不到资产。
EvoX 是一个专属的基因培养皿：每一步执行都在告诉你哪些记忆被使用、哪些基因被沉淀。而且它培养的不只是一个 Skill——蜂群的交互方式、协作协议和成果，本身都可以成为进化的目标。
4.3 算不算 RSI？作者的回答
- 如果你坚持"AI 必须改变自己的神经网络权重才算自我改进"，那 EvoX 显然不是。
- 但回到人类文明的类比：我们的大脑没变，社会却一直在进化。
所以作者的结论是：EvoMap 和 EvoX 做的事也是 RSI，甚至可以说是一个社会学层面的蜂群引擎。更重要的是——它是一个人人都能参与、能让自己的 AI 变得更好的改进方式。
五、泼点冷水：当前 Beta 版的真实体验
作者主动做了风险披露：
- 界面概念密度过高。 除了一些早期无伤大雅的 Bug，最让人头大的是界面里的复杂概念。实用主义者、效率主义者，或者 token 预算紧张的人，可能会有点懵。
- 但极客会玩得很爽。 如果你对新鲜事物好奇、想做第一批吃螃蟹的人，EvoX 会持续给你新鲜感和探索欲，而且给了足够额度，可以不用担心 token 大胆试错。
- 模型接入友好。 与各大厂的 Agent Harness 不同，EvoX 可以直接使用 Codex 订阅，也支持配置本地模型。作者就趁 Codex 频繁重置之前，在 EvoX 里"烧 token 培养自己的蜂群"——他自嘲有点"炼丹"的感觉。
关于团队
作者特意调查了 EvoMap 团队：位于深圳、以 95 后和 00 后为主、约 20 人的技术型小团队。
年初看到 EvoMap 时，他以为这只是一个充满理想主义、很快会被大模型吞噬的玩具。但今天看到 EvoX，他放心了：
绝大多数狂热的 AI 概念，都会经历 Gartner 曲线的幻灭谷底，然后摔得粉身碎骨。但这帮人不仅活下来了，还把它从一个飘渺的概念，一步一步拉进了实质爬升期。
关于社区
常有人问作者：社区在哪？圈子在哪？能不能讨论？
他的回答是：不管你相不相信 EvoMap 这套进化路子能不能走到底，他们的社群是真的好玩——在各个城市办活动，聚集了一大批纯粹的理想主义极客，每天讨论前沿的东西。现在参与就是一个共建者，会很有成就感；和这样一群人混在一起，你也会成长得很快。
六、金句摘录
"市面上大多数所谓的蜂群，其实都还停留在任务的拆解和总结，是一个扇入扇出的线性系统。它们可以提高效率，但不能称之为蜂群。"
"群体之间彼此的影响，才是产生群体智慧的根源。"
"它的本质就是让每一次 Agent 的运行可以被观测、被审计，找到成功或者失败的信号，把这些经验保留下来，让下一次运行更加顺畅。"
"EvoX 就是一个基因培养皿，它要让你具象化地看到进化的过程和成果。"
"我觉得不是因为模型的能力，而是因为组织形态和规则。你想想人类的文明，是不是也是因为组织和协作才发展起来的？"
"我们的大脑结构也没有明显的变化，人类社会的进化靠的是文字、语言、科学方法论，靠的是制度和协作协议的不断迭代。"
"真正的进化，不是每次跌倒后都去重塑大脑，而是把如何爬起来的肌肉记忆，刻进整个种群的基因里。"
"绝大多数狂热的 AI 概念，都会经历 Gartner 曲线的幻灭谷底，然后摔得粉身碎骨。但这帮人不仅活下去了，还把它从一个飘渺的概念一步一步拉进了实质爬升期。"
七、给想上手的读者：一份最小行动清单
- 先明确你要的是"效率"还是"进化"。 只想更快完成任务，用现成的 Agent Harness 更省事；想让经验沉淀、复用、跨任务迁移，EvoX 这类"培养皿"才有意义。
- 从可视化入口切入。 打开蜂群开关后，优先点开「复用记忆 + 进化」→「管理记忆 / 打开自进化」，先看懂基因、胶囊、事件图谱三者的关系，再谈调优。
- 用"多角色辩论"做第一个任务。 这是最容易观察到"多轮次 + 上下文隔离"价值的场景：正反中三方，多轮发言后汇总，并检查报告是否保留了讨论全过程。
- 接入方式按预算选。 有 Codex 订阅就直接复用；注重成本或隐私就配本地模型。
- 关注协议层，而不是只关注模型层。 这套体系的价值不在参数，而在"执行 → 提炼 → 验证 → 分发"的经验闭环。
八、一句话总结
EvoX 并不是"让模型自己改自己"，而是让智能体群体在协议层完成达尔文式的经验淘汰——一台机器踩过的坑，可以在一秒后变成所有同伴的先验本能。它是否配得上"RSI"这个名字仍有争论，但它确实把"AI 自进化"从实验室话题，拉到了普通人可以亲手参与的位置。
至于这种蜂群式进化是噱头还是未来？作者把问题留给了评论区。
视频来源：B站 @小天fotos（space.bilibili.com/28554995）〈深度解读EvoX，蜂群+进化是不是AI的递归改进〉发布日期 2026-09-03，原视频链接：https://www.bilibili.com/video/BV198tR6EEit （同内容亦发布于抖音号 969304610）。本文为视频内容的文字整理，版权归原作者所有，转载请注明出处。