技术深度解析
Autonomy的架构围绕一个元认知循环构建，这使其与传统智能体框架截然不同。其核心是一个动态代码生成引擎，运行在三个阶段：观察、规划和执行。
观察阶段： 智能体接收任务并扫描其环境——可用文件、API、系统状态以及任何先前的日志。它不使用静态工具列表来匹配任务，而是利用大型语言模型（LLM）将任务解析为一个高层次目标和一组子目标。这与ReAct（推理+行动）智能体的工作方式类似，但有一个关键区别：智能体不假设存在任何预定义工具。
规划阶段： 智能体以伪代码脚本的形式生成一个计划，描述所需的步骤。然后，它评估每个步骤是否可以用现有工具执行。如果不能，它将进入一个工具合成子程序。在这里，LLM编写一个Python函数（或类）来实现缺失的功能。例如，如果任务是使用自定义统计方法分析CSV文件，智能体可能会生成一个函数，读取文件、计算所需指标并返回结果。该函数随后被添加到智能体的临时工具注册表中，供任务期间使用。
执行阶段： 智能体执行计划，根据需要调用新创建的工具。它监控错误——如果生成的工具失败，智能体可以通过分析错误信息、重写函数并重试来进行调试。这种自我修复循环对鲁棒性至关重要。
底层机制： 该项目利用Llama 3 70B模型的修改版进行代码生成，该模型在5万条合成智能体轨迹的数据集上进行了微调。代码生成由上下文感知提示模板引导，该模板包含环境状态、任务描述以及已知模式库（例如文件I/O、HTTP请求、数据库查询）。生成的代码使用Docker容器进行沙盒化，以防止安全风险。每个智能体实例运行在隔离的容器中，除了白名单服务外没有网络访问权限。
性能基准测试： Autonomy团队在名为ToolCraft的自定义基准测试上发布了初步结果，该基准测试包含200个需要至少创建一个新工具的任务。任务范围从简单（例如“将JSON文件转换为XML”）到复杂（例如“使用新API为服务器指标设置实时仪表板”）。
| 模型 / 框架 | ToolCraft成功率 | 平均任务时间（秒） | 每任务生成工具数 |
|---|---|---|---|
| Autonomy (Llama 3 70B) | 78.5% | 142 | 3.2 |
| GPT-4o + LangChain (静态工具) | 41.0% | 95 | 0 |
| Claude 3.5 Sonnet + AutoGPT | 38.2% | 210 | 0.5（主要是包装器） |
| 开源基线 (Mistral 7B + ReAct) | 22.0% | 180 | 0.1 |
数据要点： 在需要新工具的任务上，Autonomy的动态工具生成相比最佳静态工具基线（GPT-4o + LangChain）几乎将成功率翻倍。代价是平均任务时间增加了50%，但对于复杂、非重复性工作流而言，处理此前不可能完成的任务的能力证明了延迟的合理性。
关键GitHub仓库：
- Autonomy/core（4,200星）：主框架，包含代码生成引擎和沙盒化。
- Autonomy/toolcraft-benchmark（850星）：用于上述基准测试的评估套件。
- Autonomy/agent-finetune（320星）：用于Llama 3 70B模型的微调脚本和数据集。
关键玩家与案例研究
自我编写智能体的概念并非全新，但Autonomy是首个开源生产级实现的框架。几个关键玩家正在汇聚于这一领域：
OpenAI 一直在内部试验“智能体代码生成”，但尚未发布产品。他们的Code Interpreter（现为Advanced Data Analysis）允许GPT-4编写和执行Python代码，但仅限于单个沙盒环境，且不生成持久化工具。Autonomy的方法更为通用——它可以创建可复用的函数甚至整个模块。
Anthropic 专注于安全与对齐，但其Claude 3.5模型展现出强大的代码生成能力。不过，他们的智能体框架Claude for Work仍然依赖预定义集成。Anthropic关于“宪法AI”的研究对于确保自我编写智能体不生成有害代码可能具有相关性。
LangChain 是最流行的开源智能体框架，但其设计哲学与Autonomy相反。LangChain强调丰富的预构建工具和链生态系统。Autonomy的方法可能被视为对LangChain模式的威胁，但也是一个机会：LangChain可以将Autonomy的合成引擎作为插件集成。
AutoGPT 开创了自主智能体的理念，但其架构脆弱。它依赖于