📌 项目地址：PrimeIntellect-ai/prime-agent | ⭐ 5,949 颗星 | 🔧 TypeScript | 📜 未标注
大模型代理都有一个通病：对话一关，什么都忘了。上下文窗口再大，也有填满的那一刻。填满之后，要么截断，要么从头再来。对写几个函数的场景无所谓，但对跨文件、跨步骤、需要跑几小时的任务，这个问题是致命的。
Prime Agent（github.com/PrimeIntellect-ai/prime-agent，5949 星）不是又一个大模型包装工具。它试图解决一个问题：让代理的工作状态能活过单次对话。
两个核心设计
项目文档里提了两个概念，我读完之后觉得值得解释清楚。
第一个是递归语言模型（RLM）。它的做法是把上下文当成变量（prompt-as-a-variable），把工具调用和子代理调用当成函数调用（programmatic tool/sub-agent calling），所有这些跑在一个持久 REPL 里。也就是说，上下文不是一段固定的文本，而是一个可以读写、可以传递的状态。子代理也不是”帮我看看这个文件”这种对话式请求，而是类似 rlm(...) 的函数调用，返回结构化的结果。
第二个是持续训练框架（Continual Harness）。它把补充提示、记忆、技能描述、子代理规格这些内容存成持久状态。代理可以通过 /refine 命令审查当前轨迹，然后对这份状态做小规模、有证据支持的更新。注意一个关键限制：它永远不会重写不可变的系统提示，每次修改都有快照，可以回滚。
这两个设计合起来的效果是：代理的工作方式本身可以被迭代。
实际操作
安装就是一条命令（macOS 或 Linux）：
curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh安装器会下载带版本号的发行包，校验 SHA-256 校验和，安装 prime-agent 命令，并准备 IPython 运行时。
启动方式：
cd /path/to/project
prime-agent首次启动需要执行 /login 选择订阅或 API-key 提供商。之后的运行环境是你当前所在的目录——代理能在里面跑命令、改文件。
用的时候有几个特性值得知道：
- 内置的持久 IPython 是模型的主要工具。文件操作、shell 命令、上下文管理都通过代码发生，不是靠模型”读”和”写”这种间接方式。
rlm(...)生成真实子代理。子代理可以并行或后台跑，结果以程序化方式返回给调用方。- 技能是 Python 包。有内置的技能创建器，能把反复出现的工作流保存成项目级或个人级技能。技能是可执行的代码，不是文本描述。
- 代理之间可以直接通信。运行中的代理互相发消息、协调工作，不一定都要经过用户中转。
- 后台会话由 daemon 支撑。终端断开后任务继续跑，之后可以重新附着。
长任务靠什么延续
自动压缩、持久目标、心跳机制、调度任务、自主模式、保留子代理——这些东西都是干一件事：让任务在回合之间、终端会话之间不丢进度。
这个思路跟普通对话式工具的本质区别在于：普通工具把上下文窗口当作硬上限，窗口外的事就是记不住。Prime Agent 把上下文当变量，harness 状态当持久化存储，上下文窗口不再是唯一的信息载体。
另一个区别是 /refine。普通工具的行为逻辑完全由外部 prompt 决定，模型本身不会动自己的系统提示。Prime Agent 允许对补充状态层做基于证据的小更新，而且有版本快照。这意味着代理在运行过程中会积累对自身工作方式的优化，而不是每次从零开始。
边界和风险
官方 README 有一句明确警告：Prime Agent 会执行模型生成的 Python 代码和项目命令。
这句话值得读两遍。它意味着你在哪个目录启动它，它就有权限在那个目录里执行任意代码——不是”建议”，是执行。官方建议使用一次性 clone、干净的 worktree、或者任何你愿意检查并恢复的检查点。
我个人的看法是：这个项目适合愿意维护隔离环境的人。如果你想在一个有长期价值的工作目录里跑，先把目录备份好。能力强的东西，风险边界一定要自己划清楚。
我的判断
5949 星对一个新的开源代理项目来说不算少。设计思路确实解决了一个真实问题：对话式上下文不适合复杂任务，”能跑的进程”比”能聊的天”有用得多。项目文档里的持续训练框架和递归语言模型是通用的技术理念，值得关注。
如果你只是想让 AI 帮忙写几个函数，这项目对你来说太重了。但如果你需要的是自动化、跨多步骤、需要子代理并行、最好还能自己整理的长期任务，Prime Agent 提供了一个有明确实现思路的选择。
安装它，在隔离目录里跑一次 /refine，看看快照回滚是不是真的靠谱——实践比任何宣传都有效。