赋能DeepSeek自进化的Harness！LlamaFactory作者开源新工具：0.2元自动造代理

过去，LlamaFactory 让每个人都能微调大模型；现在，PenguinHarness 希望让每个人都能构建自进化 Agent。 PenguinHarness 是全球首个支持多 Agent 自进化的 Harness： 0.2 元从零构建新的 Agent。耗时仅为 Codex 的一半，成本低至 Codex 的 1/200，结果更贴近可交付。 不到一元钱，让 Agent 自己变强。无需手动微调，Agent 准确率从 50% 提高到 90%。 1000 多种模型，成本更低，运行更快。支持多模态、轨迹观测、成本对比、多用户并发。 开源地址：https://github.com/Prism-Shadow/penguin-harness 主页链接：https://penguin.ooo 让 Agent 自动构建 Agent LlamaFactory 的作者郑耀威最近开源了一个新项目，名字叫做 PenguinHarness。这个「企鹅驾驭师」能帮你自动完成 Agent 的构建、评测和持续改进，真正从「手动调优 Agent」迈入「Agent 自我迭代」。 PenguinHarness 是一个原生支持自我进化的 Agent Harness，主打轻量、开源、易用。基于原创的 Agent 内核，无论是 GPT-5.6 还是 DeepSeek V4，这套框架都能稳稳驾驭。 项目的初衷与 2026 年讨论得热火朝天的 AI4AI，递归自我进化（RSI）等方向不谋而合。 Meta 前研究总监田渊栋创立的 Recursive 着力探索 AI 递归自我改进的潜力，其首篇博客已经证明出 Agent 可以训练模型、优化 GPU 算子。 MSRA 前副院长边江创立的 XYZ AI Lab，也成功探索出一条通过运作数百个 Agent 完成 Deep Research 模型后训练的路径。 而 PenguinHarness 则是立志做最好用的开源 Harness，让 Agent 自进化开箱即用，不再需要手动调优 Agent。 它的第一项能力 —— 让 Agent 自动构建另一个 Agent。我们用一个最经典的案例对比 PenguinHarness 和 OpenAI Codex 的实际表现：「让 AI 生成一个 RAG 应用，实现分块检索，流式返回通俗易懂的答案，并带上引用」。 通过视频，我们可以清晰看出，PenguinHarness 不仅花费比 Codex 更少的时间和低于数十倍的成本，还产出了几乎能直接落地的 RAG Agent 应用。 左边回答语言通顺，有流式输出，还有来源引用。而 Codex 的结果中英混杂，缺少流式输出。 过去，开发这样一套 Agent 应用需要框架选型、模型部署、接入工具、编写提示词、反复测试修改，每个应用都几乎从零开始，花费一个团队几个星期的精力。 即使有了 Claude Code 这类开发工具，它们对现有的 Agent 框架也比较陌生，很难做到像开发前端网页那么容易。而 PenguinHarness 从诞生之日起，就为自己设计好了一切选项。 而对于 PenguinHarness，你只需要说清楚需求，它立即就能开干：生成脚手架、Prompt，安装和优化 Skill，并搭建前端，直到把一个完整能跑的 Agent 应用交付给你。而这套流程，只需要花费 0.2 元的 Token 和一杯咖啡的时间。 郑耀威也为我们揭开了 PenguinHarness 的背后原理：它将文件系统作为唯一真相来源，Agent 是文件，提示词是文件，对话历史也是文件。文件是人与 Agent 最自然的协作方式。 框架只负责把文件拼装成可运行的 Agent 对象，而构造一个新的 Agent 无外乎文件的复制粘贴。 在运行时，PenguinMessage 作为唯一的消息协议，就像网络数据报文一样，在模型、环境和用户之间交换，这种统一且轻量的接口让 PenguinHarness 可以轻松接入到任意代码中。 PenguinHarness 既是一个 Agent 框架，又是一个 Agent 实体，没有人比它更懂自己。 本地可复现的 Agent 自进化闭环 让 Agent 构建 Agent 只是 PenguinHarness 的第一步，PenguinHarness 更长远的目标，是希望每个人都能在本地拥有自进化 Agent。 构建 Agent 是从 0 到 1，优化 Agent 是从 1 到 100，其中需要跨越许多挑战。 「Chaning agents is easy; improving them is hard.」 在一次关于自进化的讨论中，郑耀威曾提出这样的观点：Agent 本质上就是一堆代码和文件，修改它很容易，让他变好却很难。大模型本就已经是自带随机性的概率函数，Agent 则更是一个充满了不确定性的自主系统。要想做好 Agent 自进化，那么必须要有一个可靠的「尺子」，也就是评估系统。 ReAct 论文作者姚顺雨曾言，评估是大模型的下半场。对于 Agent 自进化，这句话同样成立，一套好的评估基准是自进化的根本。 为了探索准确的评估方式，郑耀威带领团队花费了半年多时间。最大的障碍是，现有的评估大多只有测试集，而没有训练集。如果在测试集上跑自进化，很难区分 Agent 到底是背会了答案，还是真正产生了进化。 为此，团队甚至亲手做了一套新的评估基准 ——GDPevo，专门用于测试 Agent 自进化能力，覆盖医疗、金融、法律等六大真实场景。通过划分训练 / 测试集，确保 Agent 进化时不会「偷看答案」。 PenguinHarness 吸纳了 GDPevo 的核心思想，把 Agent 的评估和优化凝练为了开箱即用的 Skills。在调用 Skill 以后，PenguinHarness 就会启动多个智能体，配合完成 Agent 的调优流程，也就是「自进化」。 试想这样一个场景：做一个 Agent 帮你更准确的预测球赛、提出投资策略、处理电商售后，但是这个 Agent 一开始准确率并不高。过去，你需要通过手动调整提示词，搭建工作流来提高精度，而现在，PenguinHarness 可以自动帮你完成 Agent 调优。 通过视频可以看出，PenguinHarness 完成了多次迭代，Agent 的分数从优化前的 53 分，提升到了优化后的 95 分。使用 DeepSeek V4 Flash 正式版，整个过程只花了 0.5 元的 Token。 这背后是一套多智能体的协作流程。PenguinHarness 首先生成一个负责出题的 Benchmark Builder，围绕目标能力生成一系列题目和答案对，通过反复测试来校准题目难度。 进入优化阶段后，三个承担不同角色职责的 Agents 会组成一个自进化闭环，反复进行下面四步过程： 1. 组织评测：Optimizer Agent 按照题目数量和运行次数，组织多个 Evaluator Agents 并行评测； 2. 独立打分：每个 Evaluator Agent 启动一个独立的被测 Agent 解答题目，并且根据只有 Evaluator 才能看到的 Rubrics 打分，将分数返回给 Optimizer