代理成本暴降几十倍！LlamaFactory作者开源新工具：0.2元自动造代理

新智元报道 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。 LlamaFactory的作者郑耀威最近开源了一个新项目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AgentHarness，主打轻量、开源、易用。基于原创的Agent内核，无论是GPT-5.6还是DeepSeekV4，这套框架都能稳稳驾驭。 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 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： 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； 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 Agent； 分析优化：Optimizer Agent汇总评测结果，通过查看和分析轨迹，定位失分原因，修改被测Agent的提示词、Skill或者配置，生成候选的下一版被测Agent； 验证迭代：Evaluator Agent对候选版本重新评测，Optimizer Agent根据结果决定是否接受候选版本，再进入下一轮迭代。 整个过程如下图所示，在整个优化过程中，只有在候选版本取得严格更高的分数时才会被接受，如果得分持平或下降，Optimizer Agent会回退到上一个版本。 从一次性交付走向持续进化，这就是PenguinHarness对下一代Agent Harness给出的回答。 和自进化Agent之间的契约 为了让Agent自进化跑得更「稳」，PenguinHarness设计了一套框架必须遵守的「契约」。 这份契约规定了Agent自进化的边界在哪里，