MOSS：自源代码级重写实现自进化自主智能体系统

MOSSModel-Oriented Self-Source是一个新颖的框架它赋予了自主智能体系统在生产级源码层面进行自重写的能力。MOSS 框架解决了一类关键局限性现有智能体通常只能迭代文本可变的部分如提示词、技能文件、内存等但无法触及和修正驱动整个系统的核心逻辑层——即Agent Harness代理骨架。原始内容来自 https://arxiv.org/html/2605.22794v1 1. 核心问题与理论突破1.1 现有智能体的局限性The Text Barrier目前应用层自主智能体的核心风险点在于其架构Harness的稳定性。当故障源于以下底层逻辑时仅通过文本修改如优化 Prompt 或增加 Skills无法解决消息路由异常。钩子Hooks触发顺序错误。会话状态Session State的原子性问题。核心观点代码级别的逻辑错误无法通过简单的文本补丁来修复。1.2 MOSS 的解决方案源码级适应性 (Source-Level Adaptation)MOSS 的优势在于其演化空间是编译型、确定性、且处于最通用的层面。计算完备性 (Turing Completeness):源代码设计空间构成了最普遍的搜索空间使其严格包含于所有文本可变范围。确定性 (Determinism):行为运行在受控的代码逻辑例如状态机不变式之上而不是依赖于大型语言模型是否能完美理解并遵守新的文本规则。稳定性 (Stability):演化补丁作为结构化代码不会在长上下文漂移Long-context Drift中被消解保证了系统的鲁棒性。⚙️ 2. 系统架构与组件分离MOSS 在一个复杂、多进程Multi-Process的宿主机Host-Side拓扑上运行以确保在进行代码演化时不会中断实时的用户体验。组件 (Component)核心职能 (Function)技术要点 (Key Features)Substrate (目标子系统)宿主用户交互层提供用户感知的 Agent 界面和能力。状态会话、内存、凭证通过挂载点Mount从宿主获取确保状态持久性。Control Surface (控制界面)提供统一的演化管理入口屏蔽复杂的内部流程。通过一个moss evo CLI命令注入到 Substrate 的系统 Prompt 中。对外暴露演化生命周期触发、状态查询、应用。External Coding Agent (编辑器)负责执行具体的代码修改和重写任务。作为宿主机进程调用而非嵌入主容器内可调用宿主机提供的完整 Shell 环境和网络出口。支持多方模型插件化。Host-Daemon Supervisor (中央守护)负责管理整个系统的生命周期和演化流程。核心组件。管理docker build、试用工作节点Trial-Worker的生命周期并运行自动扫描引擎来查找失败证据。Ephemeral Trial Workers (验证器)用于验证代码修改是否成功并暴露潜在的“间歇性故障”。每次构建后守护进程都会在独立的、短暂的容器Candidate Image中执行任务批次重复任务直到暴露最脆弱的缺陷。 3. 确定性演化流程 (The Evolution Workflow)MOSS 遵循一个严格、确定且有界限的闭环迭代过程核心驱动力是真实的生产环境失败证据。3.1 步骤 一输入证据的采集 (Evidence Ingestion)演化的目标不是一个理论上的基准测试而是修复一组具体的、出问题的生产批次证据。周期性扫描 (moss evo catch-up):扫描历史会话 JSONL 文件自动识别出对话流程中表现不佳或失败的对话片段。用户触发 (moss evo flag):当用户在对话中明确表达了对当前系统的某些行为不满意时触发将该时刻的上下文加入待修复批次。批量管理无论是哪种来源最终都汇入一个待处理批次 (Open Batch)当该批次积攒到默认阈值例如 8 个缺陷块时即将其封闭Sealed。3.2 步骤 二迭代与验证循环 (The Iteration Loop)代码生成/修改:External Coding Agent 基于当前批次证据生成修改后的代码片段。构建镜像:Host-Daemon Supervisor 使用新的代码片段对 Substrate 进行修改和docker build生成一个新的候选镜像Candidate Image。任务激活:守护进程启动独立的 Trial Worker 容器使用该候选镜像运行原始失败任务批次。收敛/回滚:Trial Worker 发现问题后守护进程根据测试结果判断是否发生“收敛”Converged或“失败”Failed。如果失败则进入下一轮迭代直到达到预设的成功标准或无法再进行修复。️ 4. 实施资源与实践指导 关键依赖资源 (Resources)CLI 工具moss evo CLI(通过 System Prompt 或 Bind-mount 注入是用户交互的唯一入口)。模型/插件框架支持多种外部代码代理包括 Claude Code (Anthropic)、OpenAI Codex、DeepSeek-TUI 和 OpenCode 等。这增强了系统的灵活性。 脚本与代码参考 (Scripts/Code Reference)1. 自动扫描脚本 (Conceptualcatchup.py):# 流程: 扫描 session_history.jsonldefscan_for_failure(jsonl_path:str):Reads session logs and flags non-deterministic state transitions.# 实施: 调用底层 state-machine 状态验证器candidatesload_and_filter_sessions(jsonl_path)# 返回需要修复的失败证据批次returnprocess_and_aggregate_failures(candidates)2. 构建与部署流程 (Conceptual Handshake):# 步骤 1: 检出 (Checkout)dockerbuild-tcandidate:sha-$(date%s).# 步骤 2: 预热测试 (Health Probe)dockerrun--rmcandidate:$(sha-dummy)./run_health_check.sh# 步骤 3: 部署 (Swap Commit)if[$?-eq0];thenechoHealth Check OK. Committing new state.dockercommit$(get_container_id)new-stable:commitelseechoHealth Check failed. Rolling back attempt.fi(注意此处的./run_health_check.sh脚本依赖于宿主机环境的 Shell 和 Docker CLI)