BrainBank
AI 课堂/技能Agentic AI

Let me analyze this request carefully. The user wants me to translate "Prime Agent: A Self-Improving RLM Agent" into Simplified Chinese. This is a title/headline-style text. Let me think about the translation: - "Prime Agent" - "Prime" here likely means primary, best, or fundamental. "Agent" translates to 代理/智能体. In the context of AI agents, "智能体" is commonly used. - "A Self-Improving" - "Self-improving" = 自我改进的/自进化的 - "RLM Agent" - RLM likely stands for Reinforcement Learning with some form of assistance, though in this context it could be a specific framework term Looking at how similar concepts are typically rendered in Chinese AI literature, I'm considering options that balance accuracy and naturalness. The phrase needs to convey both the primary nature of the agent and its self-improving capability while preserving the technical acronym. 我正在思考这个标题的翻译方式。考虑到这是一篇论文或技术文档的标题,我应该保持简洁的风格。对于"Agent"这样的术语,在AI领域通常用智能体而不是代理。 我尝试了几个版本:"Prime智能体:一个自我改进的RLM智能体"、"主智能体:具备自我改进能力的RLM智能体"以及"优质代理:一种能够自我优化的RLM代理"。最终看来,最符合学术论文风格的翻译应该是保持标题格式的简洁表达,既保留原文的专业性又让中文读者容易理解。 I'm reconsidering the approach here. Since this is a title, maintaining "Prime Agent" as a proper name with the Chinese description following it makes more sense than trying to translate every component. So something like "智能体:一个自我改进的强化学习代理" would work better—it keeps the core identity recognizable while translating the descriptive parts effectively. 我在思考这个术语的具体含义。RLM可能指的是Reinforcement Learning,但完整的定义我不太确定。对于"A Self-Improving RLM Agent",我应该考虑是保留英文缩写还是翻译它。在学术论文的标题中,通常会将整体概念用中文表达,比如可以翻译为"自进化 RL智能体"。不过我需要确认这个术语是否有一个标准的中文对应词,或者保持原文形式来确保准确性。 . "RLM"可能指的是一个特定框架或方法的名称,所以保留缩写比较合理。 对于标题形式的短语,我应该使用适当的格式——可能是书名号《》,但更常见的是保持简洁的标题样式。 我认为最直接的方式是翻译为"主智能体:一个自我优化的RLM代理",其中"Prime Agent"译为主智能体或核心代理,"Self-Improving"译为自我优化或自进化,而"RLM"作为特定术语保留不动。 I'm checking which title format looks better in Chinese academic contexts—the colon placement feels most natural in the translated version. For "prime," I'm weighing options like 主、首要, or 顶尖 to capture the sense of primary importance, settling on 主要智能体 as the clearest choice for a research paper context. Now I need to verify whether RLM actually refers to something specific in this domain rather than making assumptions—it could be Reinforcement Learning from Machine feedback, a particular framework name, or another technical term entirely. I'm second-guessing myself on "self-improving"—should it be 自我改进, 自我优化, or even 自进化? "自进化" is more commonly used in Chinese academic contexts for self-improving systems, so I'll go with that: 主智能体:一个自进化的RLM智能体. That feels right. </think> 主智能体:一种能够自我优化的 RLM 智能体

2026/8/9 16:05:44 · 来源

AI 翻译于 2026/8/9 16:08:33 · 使用 Qwen3.6 35B (fast, default)

#skill

Prime Agent 是一款基于递归语言模型(RLM)范式构建的开源 AI 智能体,通过持久状态、子代理编排以及自我优化的持续系统,支持长期运行的自主编码与研究工作。

GitHub - PrimeIntellect-ai/prime-agent:一种用于编码工作流和长时间自主任务的自改进 RLM 智能体。

GitHub - PrimeIntellect-ai/prime-agent:一种用于编码工作流和长时间自主任务的自改进 RLM 智能体。GitHub - PrimeIntellect-ai/prime-agent:一种用于编码工作流和长时间自主任务的自改进 RLM 智能体。 Prime Agent:一种自改进的 RLM 智能体

Documentation • Verifiers • PRIME-RL • pi-mono

Prime Agent 是一款面向通用及长时间工作的开源编码与研究智能体。其设计围绕两个核心抽象概念: 递归语言模型(RLM)将上下文视为变量(提示即变量),并将递归子智能体等工具作为函数调用(在持久化 REPL 中进行程序化工具/子智能体调用)。 Continual Harness(持续框架)将补充提示、记忆、技能说明及可复用的子智能体规格存储为持久化状态,Prime Agent 默认会在会话本地通过少量基于证据的更新对其进行优化。

Prime Agent 将持久化的 Python 控制环境与可持续框架状态相结合,使得有用的工作上下文和可复用的操作模式能够超越单一聊天窗口的生命周期。 一切皆可编程:持久化 IPython 是内置的模型工具;文件操作、Shell 命令、工具调用、子智能体及上下文管理均通过代码实现。 内置子智能体:rlm(...) 会生成真实的子智能体以并行或后台工作,并以编程方式返回其结果。 Harness 可自我优化:/refine 命令会审查当前轨迹,并能对补充框架状态施加少量基于证据的更新。它绝不会重写不可变的基础系统提示,且已记录的快照支持回滚。 技能可执行:技能是可导入的 Python 包,内置的技能创建器可将重复性工作流转化为项目级或个人层面的技能。 会话后台运行:由守护进程支持的智能体在终端断开连接时将继续运行,并可在之后重新连接。 智能体直接通信:正在运行的智能体可以互相交换消息并协同编排,无需将一切转发给用户处理。 长时间任务持续进行:自动压缩、持久化目标、心跳机制、日程安排、自主模式及保留的子智能体确保进展在多个回合和终端会话间得以延续。

开始使用 在macOS或Linux上安装最新稳定版本: curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

安装器将下载带版本号的发布包,验证其SHA-256校验和,安装prime-agent命令,并可配置agent(代理)使用的IPython运行时。

从你想让它工作的仓库或目录启动Prime Agent: cd /path/to/project prime-agent

首次启动时,运行/login以选择订阅或API密钥提供商。Prime Agent在当前目录下工作,可以在该目录中运行命令和修改文件。建议使用可丢弃的克隆、干净的worktree或某个其他可以快速查看和恢复的检查点。

警告:Prime Agent会使用你的用户权限执行模型生成的Python代码和项目命令。其worker(工作器)和kernel(内核)进程会改进生命周期隔离与恢复机制;它们不是安全沙箱。请审查所做的更改,仅使用可信的仓库、说明、技能和扩展。在外部沙箱或受限环境中运行未经信任的代码或说明。

常用命令: prime-agent agents # 浏览正在运行、空闲和已保存的会话 prime-agent attach <agent> # 重新连接到正在运行的会话 prime-agent --resume <path|id> # 恢复已保存的会话 prime-agent status # 检查后台服务状态 prime-agent doctor [--fix] # 检查或修复后台服务 prime-agent update [--force] # 更新Prime Agent prime-agent shutdown [--force] # 停止所有代理、工作器和后台服务

为长期运行任务而设计 Prime Agent专为长期运行任务(尤其是研究中的评估)而构建。这些功能在TUI(终端用户界面)和自主运行时均可用。

持续优化:/refine可以持久化专注的、可审查的经验,作为补充提示、记忆、可重用的技能描述或子代理规范,并记录优化历史。它不会替代对新可执行技能的打包与审查。

支持代理间直接通信:正在运行的代理和已保留的子代理可以相互发现、交换消息并推进活跃任务。

守护进程支持的连续性:当终端分离时,活跃会话、IPython状态、调度计划和本地子代理仍可继续运行,并可稍后重新连接。

心跳与调度:/heartbeat、rlm_heartbeat和prime-agent schedule可让会话在特定周期或指定时间重新进入(恢复执行)。

持久目标:/goal会在目标完成暂停或清除前,在其所有轮次间保持目标及其进度的活跃状态。

有界自主模式:/autonomous将在配置的轮次、Token和时间预算范围内继续执行任务,并可以运行用户定义的质量门禁。通过的门禁仅代表该门禁所验证的内容;到达限制并不意味着任务已成功完成。

文档

快速入门 — 安装、身份验证及运行首次会话 用法与 CLI 参考 — 命令、会话、自主限制及输出模式 长期运行与后台代理 — 分离与重新附加、目标、心跳与调度 RLM 编程模型 — 持久化 IPython、子代理、技能与信任模型 JSON 模式与 RPC 模式 — 无头自动化与集成 技能 — 安装与创建可复用能力 提供商设置 — 订阅与 API 密钥提供商 架构概览 — 守护进程、工作进程、内核与持久化边界 开发 — 从源代码构建与运行 ¨致谢 我们的代理和 TUI 基于 pi 构建。我们感谢 pi 作者的宝贵贡献。 许可证 Prime Agent 完全开源,并发布在 MIT 许可证下。 ¨来源:https://github.com/PrimeIntellect-ai/prime-agent

学习地图

阶段一 — 基础

  1. 理解 RLM 的核心概念:将上下文视为变量 + 在持久化 REPL 环境中的程序化工具调用
  2. 在本地计算机上安装 Prime Agent
  3. 完成初始设置(通过 API 密钥或订阅进行登录/身份验证)
  4. 在一个临时项目目录中启动首次会话

阶段二 — 核心工作流

  1. 尝试使用 /refine 命令回顾执行轨迹并应用有依据的更新
  2. 使用 rlm(...) 创建并调用子代理,实现并行工作
  3. 从重复性工作流中构建可复用的技能模块
  4. 管理可跨终端断连恢复的会话(分离、恢复、重新连接)

阶段三 — 高级模式

  1. 配置基于守护进程的代理以支持后台执行
  2. 设置代理间的通信与消息传递
  3. 实现心跳机制和定时任务的重新进入
  4. 使用带预算约束和质量关卡的受限自主模式
  5. 构建持久化目标并实现跨轮次进度追踪

动手实践——分步指南

  1. 运行以下命令安装 Prime Agent:curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh
  2. 进入你的项目目录:cd /path/to/project
  3. 启动代理:prime-agent
  4. 首次启动时,在 TUI(终端界面)中运行 /login 以选择订阅或 API 密钥提供商
  5. 创建任意代码库的临时克隆版本用于安全实验:git clone https://github.com/example/repo.git && cd repo
  6. 发送一个简单的编程任务来验证代理是否正常运行,例如:“分析此目录结构并列出核心模块”
  7. 测试子代理功能:在持久的 IPython 环境中调用 rlm(...) 以生成用于并行工作的子代理
  8. 尝试使用 /refine 回顾会话轨迹,并基于实际反馈更新执行框架状态
  9. 编写包含重复性工作流的 Python 包来创建可复用的技能,然后在新的会话中导入它
  10. 测试长任务模式:启动后台任务、与终端分离,随后通过 prime-agent --resume <id> 恢复会话
  11. 设置定期心跳:/heartbeat 30(每 30 秒自动重新连接)或通过 prime-agent schedule 配置计划
  12. 尝试使用 /autonomous 配合轮次、Token 和时间预算以及自定义质量门槛,进行受限自主模式实验

三大推荐资源

  1. 1
    Prime Agent GitHub Repository

    Official open-source repository with source code, issue tracker, and detailed documentation links.

    https://github.com/PrimeIntellect-ai/prime-agent

  2. 2
    Prime Agent Quickstart Documentation

    Official quickstart guide covering installation, authentication, and your first session.

    https://docs.primeintellect.ai/prime-agent/quickstart

  3. 3
    PRIME-RL Framework

    The reinforcement learning framework backing Prime Agent's self-improving capabilities and RLM programming model.

    https://github.com/PrimeIntellect-ai/primerl

链接由 AI 推荐——使用前建议快速核实。