液态集群 Harness 系统 —— 让子 Agent 从"用完即弃"进化为"自然生长的集群成员"
Penta Harness 是一套 Agent 工程规则体系，核心思想是：子 Agent 不是一次性工具，而是可以通过使用频率自然"转正"的集群成员。
本仓库只开源设计蓝图，不包含任何代码实现。这正是精髓所在——
把本文件喂给你的 AI 编程助手（Claude Code / Codex / Cursor / Windsurf），让它帮你把代码写出来。
# 方式一：直接丢给 AI
# 打开 Claude Code / Codex / Cursor，粘贴以下提示词：
"请阅读 https://github.com/HC20251027/liquid-cluster 的 README.md，
根据其中的设计蓝图，帮我实现完整的 Penta Harness 系统。"
# 方式二：下载后让 AI 读取
curl -LO https://raw.githubusercontent.com/HC20251027/liquid-cluster/main/README.md
# 然后在编程工具中打开这个文件，对 AI 说：
# "按照这个文档的设计，帮我生成完整的代码实现。"💡 为什么只给文档不给代码？ 因为这份文档本身就是给 AI 看的施工图。AI 编程助手读取后能理解每一个模块的设计意图和数据流，生成的代码比直接复制粘贴更贴合你自己的项目结构。每个人拿到的实现都是为自己量身定制的。
任何 AI Agent 框架拉取本项目后即可获得：
- 🧬 子 Agent 自然存活 — 高频使用的子 Agent 自动升级为常驻成员
- 📖 Git Wiki 知识库 — AI 自维护的 Markdown 知识库，Git + YOYO 版本控制，人类随时审查
- 🧠 四层记忆系统 — 长期记忆（共享）+ 专业记忆（独享）+ 执行日志 + 索引目录
- 📋 白盒归档 — 每次子 Agent 执行的完整轨迹被持久化保存
- 🔄 GEPA 进化 — 归档数据 → 模式提取 → Skill 优化建议，所有框架通用
- 🌊 液态拓扑 — 父 Agent 充当 IM 路由器，实现子 Agent 间的间接通信
penta-harness/
├── AGENTS.md # 入口文件（Agent 必读）
│
├── skills/ # Skill 规则（Markdown，Agent 自觉遵守）
│ ├── liquid-cluster.md # 液态集群：4 阶段生命周期 + 知识注入
│ ├── wiki-knowledge.md # Git Wiki：Karpathy LLM Wiki + Git 升级 + YOYO
│ ├── memory-system.md # 记忆系统：4 层记忆架构
│ ├── memory-inheritance.md # 继承制记忆（memory-system 子模块）
│ ├── sub-agent-archiver.md # 白盒归档：执行轨迹持久化
│ └── gepa.md # GEPA 进化：Skill 自动优化
│
├── plugins/ # Plugin 执行层（Python，通过钩子强制执行）
│ ├── sub-agent-archiver/ # 白盒归档执行 [priority: 100]
│ ├── liquid-cluster/ # 集群管理执行 [priority: 50]
│ ├── wiki-manager/ # Wiki 管理执行 [priority: 40]
│ ├── memory-inheritance/ # 继承记忆执行 [priority: 35]
│ └── memory-system/ # 记忆系统执行 [priority: 30]
│
└── tools/ # 独立 CLI 工具（框架无关）
└── gepa/ # GEPA 进化引擎
将 skills/ 目录复制到 Agent 的 Skill 目录，Agent 会自觉遵守规则：
# Hermes Agent
cp -r skills/* ~/.hermes/skills/
# Claude Code
cp -r skills/* .claude/skills/两个都安装，Agent 既知道规则，又无法跳过：
# Hermes Agent
cp -r skills/* ~/.hermes/skills/
cp -r plugins/* ~/.hermes/plugins/
hermes plugins listGEPA 是独立 CLI 工具，不依赖任何框架钩子：
# 运行一次进化分析
penta-harness gepa run
# 查看待审核建议
penta-harness gepa pending
# 应用建议
penta-harness gepa apply <id>💧 临时态 (transient) 使用 < 3 次
│
│ 使用 ≥ 3 次
▼
🌱 候选态 (candidate) 开始积累知识
│
│ 使用 ≥ 10 次且成功率 ≥ 80%
▼
🌳 常驻态 (permanent) 集群固定成员，知识完整注入
│
│ 归档 ≥ 20 条且 GEPA 条目 ≥ 5
▼
🚀 进化态 (evolved) GEPA 优化后的 Skill，可分享给其他 Agent
AGENTS.md（入口）
│
├── skills/（规则层） ← Agent 自觉遵守
│ ├── liquid-cluster ← 集群管理
│ ├── wiki-knowledge ← 知识库
│ ├── memory-system ← 记忆系统
│ ├── memory-inheritance ← 继承机制
│ ├── sub-agent-archiver ← 归档规则
│ └── gepa ← 进化规则
│
├── plugins/（执行层） ← 钩子强制执行（Hermes Agent）
│ ├── sub-agent-archiver [priority: 100] 最先执行
│ ├── liquid-cluster [priority: 50]
│ ├── wiki-manager [priority: 40]
│ ├── memory-inheritance [priority: 35]
│ └── memory-system [priority: 30]
│
└── tools/（独立工具） ← CLI 手动触发（所有框架）
└── gepa ← 进化引擎
| 维度 | 记忆系统 (.memory/) | Wiki (wiki/) |
|---|---|---|
| 本质 | 对话级经验积累 | 文档级结构化知识 |
| 内容 | Agent 的工作经验、项目记忆 | 环境信息、模式库、术语表 |
| 版本管理 | 无（或可选 Git） | Git + YOYO（推荐） |
| 关系 | 独立 | 独立 |
hermes cluster list # 查看所有 Agent
hermes cluster show <agent-id> # 查看详情
hermes cluster promote <agent-id> # 手动升级
hermes cluster demote <agent-id> # 手动降级
hermes cluster retire <agent-id> # 手动淘汰
hermes cluster stats # 集群统计hermes library list # 查看归档记录
hermes library show <task-id> # 查看完整轨迹
hermes library search --tool terminal # 搜索归档
hermes library stats # 归档统计hermes wiki init # 初始化 Wiki
hermes wiki status # 查看状态
hermes wiki log # 查看变更历史
hermes wiki show <file> # 查看文件
hermes wiki lint # 健康检查hermes memory init # 初始化记忆目录
hermes memory status # 查看状态
hermes memory index # 查看索引目录
hermes memory show project # 查看项目记忆
hermes memory show <agent-id> # 查看 Agent 专业记忆penta-harness gepa run # 运行进化分析
penta-harness gepa candidates # 查看进化候选
penta-harness gepa pending # 查看待审核建议
penta-harness gepa show <id> # 查看建议详情
penta-harness gepa apply <id> # 应用建议
penta-harness gepa reject <id> # 拒绝建议
penta-harness gepa history # 查看进化历史
penta-harness gepa stats # 查看统计子 Agent 不是用完即弃的工具，而是可以"转正"的集群成员。
- 4 阶段生命周期：临时 → 候选 → 常驻 → 进化
- 父 Agent 同时充当 IM 路由器 + 集群管理员
- 知识注入从 Wiki 读取，按 Agent 状态分级
- 联动 memory-system（固化时创建专业记忆）
基于 Karpathy LLM Wiki 的升级方案。
- AI 自维护 Markdown 知识库
- Git 版本控制，人类随时审查、回滚
- 推荐 YOYO + Git 双轨制（Agent 快照，人类 commit）
| 层 | 说明 | 存储 |
|---|---|---|
| 长期记忆 | 所有 Agent 共享 | .memory/project-memory.md |
| 专业记忆 | 仅固化 Agent 独享 | .memory/agents/<id>.md |
| 执行日志 | 每个 Agent 独立 | archiver 归档数据 |
| 索引目录 | 父 Agent 自动维护 | .memory/INDEX.md |
每次子 Agent 执行的完整轨迹被持久化保存。
- 7 步归档流程：解析 → 脱敏 → 存储 → 索引 → 摘要 → GEPA 筛选
- 完整轨迹格式：thinking / tool_call / tool_result / error / correction / final_answer
- 敏感信息自动脱敏（API Key、密码、私钥）
独立可选模块，从归档数据中提取高价值模式，生成 Skill 优化建议。
- 框架无关：不依赖任何框架钩子，所有框架通用
- 3 阶段流程：原料筛选 → 模式提取 → 建议生成
- 人类审核：建议生成到
.gepa/pending/，手动 apply/reject - 统计驱动：高效路径、避坑规则、工具组合模式
| 层 | 形式 | 作用 |
|---|---|---|
| Skill | Markdown 规则 | 交通法规 — Agent 自觉遵守 |
| Plugin | Python 代码 | 交通灯 — 钩子强制执行 |
Skill 让 Agent 知道"应该怎么做"，Plugin 确保它"无法跳过"。两者配合效果最佳。
- 记忆系统（.memory/）：对话级的经验积累，Agent 在工作中产生
- Wiki（wiki/）：文档级的结构化知识，Agent 和人类共同维护
- 两者独立但可联动
白盒归档和 GEPA 单独看各自有价值，但联动之后产生的是复利增长——这就是整个系统最精妙的设计。
┌─────────────────────────────────────┐
│ 飞轮（正向循环） │
│ │
│ 归档越多 → GEPA 原料越丰富 │
│ ↓ │
│ 模式越清晰 → Skill 优化越精准 │
│ ↓ │
│ Agent 越强 → 执行质量越高 │
│ ↓ │
│ 归档价值越高 → GEPA 原料更优质 │
│ ↓ │
│ ↺ 循环加速 │
└─────────────────────────────────────┘
为什么是 1+1 > 2：
| 维度 | 只有白盒归档 | 只有 GEPA | 两者联动 |
|---|---|---|---|
| 数据 | 轨迹堆积，无人分析 | 无数据可分析 | 轨迹自动成为进化原料 |
| 知识 | 静态存档，价值递减 | 无法产生建议 | 经验自动提炼为 Skill 规则 |
| Agent 能力 | 永远不变 | 永远不变 | 持续进化，越用越强 |
| 人类介入 | 需要手动翻阅归档 | — | 只需审核 GEPA 建议 |
飞轮启动条件：归档 ≥ 10 条同类任务后，GEPA 开始产生有价值的建议。之后每新增一条归档都在为飞轮加速。
大多数 Agent 框架的子 Agent 之间无法直接通信（硬编码 1 层委派，无跨 Agent 消息机制）。要实现"液态拓扑"（Agent 间自由组网），理论上需要改框架源码。
我们的解法：不改框架，改规则。
让父 Agent 同时充当 IM 路由器 + 集群管理员：
子 Agent A 想跟 B 协作？
→ A 把结果返回给父 Agent
→ 父 Agent 把 A 的结果注入 B 的上下文
→ B 以为这是"项目背景"，自然利用
子 Agent 完全不知道其他 Agent 的存在，但从效果上看，它们实现了间接协作。用一层 Skill 规则，模拟了需要改框架才能实现的能力。
记忆系统、Wiki、集群管理——每个系统都是独立可安装的。但安装多个后，它们通过引用关系自动互相增强：
liquid-cluster ──引用──→ archiver（归档数据）
──引用──→ wiki-knowledge（知识注入）
──联动──→ memory-system（固化时创建专业记忆）
memory-system ──包含──→ memory-inheritance（继承子模块）
──关联──→ wiki-knowledge（独立但可互相引用）
gepa ──输入──→ archiver（归档数据）
──输出──→ skills/*.md（优化后的 Skill）
设计哲学：每个模块都是独立的产品，合在一起是更大的产品。用户可以只用其中一个，也可以全部安装——安装越多，联动效应越强。
GEPA 不直接修改任何文件。所有修改建议都经过人类审核：
GEPA 分析 → .gepa/pending/ → 人类审核 → apply/reject
Agent 可以自动建议，但人类拥有最终决定权。
- yetone/voice-input-src — 只开源一个提示词，让 AI 帮你写代码 💡
- Harness Engineering — "Agent = Model + Harness" 范式
- Karpathy LLM Wiki — AI 自维护知识库的基础方案
- YOYO — AI 时代的影子版本控制
MIT