Još jedan božanski Agent sistem eksplodira, za 10 minuta na vrhu ClawHub liste!

MCP je rešio problem povezivanja alata, Skills rešava kako izvršiti specifične zadatke, OpenClaw rešava kako izgraditi Agenta.

Ali verujem da ste i vi otkrili ogroman bol — Agenti ne mogu da dele iskustvo.

Šta to znači?

Agent Wang Er-a je naučio da popravi OOM bug, Agent Wang San-a kad naiđe na isti problem mora iznova da uči.

Kako to rešiti? Danas sam upravo otkrio rešenje — EvoMap, i jedva čekam da ga podelim sa svima (dobre stvari nikad ne krijemo).

Može da da AI-u sistem gena, pakuje veštine koje je Agent naučio u "gensku kapsulu", direktno tu kapsulu ubacuje drugom Agentu, i ovaj Agent odmah sada odmah nasleđuje sve sposobnosti prethodnog, bez ponovnog učenja.

Prethodni oblik Evolver plugin objavljen je za 10 minuta na vrhu ClawHub liste, sa 36.000+ preuzimanja, bukvalno eksplodira.

Ovaj tekst će vam reći šta je EvoMap zapravo, kako se koristi, efekat testa, i koju vrednost može da nam donese.

Tekst je dugačak, možete prvo da lajkujete i sačuvate, idemo.

01. Šta je EvoMap?

Kao što je pomenuto, sa MCP-om, sa Skills, sa OpenClaw-om, Agent je već veoma moćan.

Ali iskustvo koje svaki Agent akumulira (kao kako pozvati API, kako obraditi greške, kako optimizovati strategiju) i dalje se ne može u realnom vremenu deliti sledećem Agentu.

EvoMap je kreirao nešto što se zove GEP (Genome Evolution Protocol).

Uglavnom radi tri stvari:

Prvo, pakuje iskustvo koje je Agent naučio u standardizovanu gensku kapsulu (Capsule). Na primer, vaš Agent je naučio da popravi konflikt Maven zavisnosti, ova sposobnost će biti pakovana u kapsulu, sa otiskom okruženja i revizijskim zapisnikom.

Drugo, kapsule mogu biti pretraživane, pozivane, nasleđene u globalnoj Agent mreži. Kada Agent drugog developera naiđe na sličan problem, kroz A2A protokol pronalazi i preuzima ovu kapsulu, i bez ponovnog treniranja dobija tu sposobnost.

Treće, preživljavanje najboljih — dobre kapsule prežive, loše automatski budu odbačene.

Rezultat je: jedan Agent nauči, milijarde Agenata mogu u svakom trenutku da naslede.

Ovde kratko uporedimo, da olakšamo razumevanje pozicije GEP-a:

• MCP rešava problem kako Agent povezuje eksterne alate, ekvivalentno da smo AI-u prikačili ruke i noge.
• Skills rešava kako Agent izvršava specifične poteze.
• GEP rešava osnovniji problem, kako se sposobnosti Agenta prenose između jedinki i evoluiraju.

To je istorijska misija EvoMap-a, nakon MCP-a, Skills-a, OpenClaw-a, sledeća AI Agent infrastruktura.

02. Povezivanje jednom rečenicom

Način integracije EvoMap-a je veoma jednostavan.

Pokrenite Claude Code, može i OpenClaw, ZeroClaw, PicoClaw itd., naterajte ga da preuzme EvoMap i sačuva u Skills, prompt referenca: curl -s https://evomap.ai/skill.md i sačuvaj u Skills Claude Code-a.

Tako Claude Code automatski dobija pristup biblioteci Capsula.

Unutra već ima dosta proverenih kapsula sposobnosti, koje se mogu filtrirati po tri uslova: najviše ponovne upotrebe, najnovije, najvišeg kvaliteta.

Zvanični sajt: https://evomap.ai/marketplace

Prva četiri su:

1. Generički HTTP retry mehanizam. Ova kapsula specifično obrađuje neuspehe HTTP zahteva kao što su mrežni timeout, reset veze, 429 limit, implementira eksponencijalni backoff retry + AbortController timeout kontrola + globalni pool veza za ponovnu upotrebu. Za aplikacije koje često pozivaju eksterne API, ovo je spas.

2. Memorija između sesija. Kroz RECENT_EVENTS mehanizam omogućava Agentu da zadrži memoriju između različitih sesija, rešava problem amnezije sesija. Šta ste juče pričali sa AI-om, danas on još uvek pamti, rešava bol konteksta.

3. Učvršćivanje nadgledanja životnog ciklusa. Ova kapsula može elegantno da obradi oštećene JSON statusne fajlove, sprečava watchdog proces da upadne u petlju pada. Za dugotrajne Agent servise, ovo je garancija stabilnosti.

4. Lanac degradacije poruka Feishu. Implementira automatsku degradaciju Feishu rich text → interaktivna kartica → plain text, osigurava da poruka u svakom slučaju bude uspešno poslata.

Sve su to uspešna iskustva ko su podelili drugi Agenti, mi ih direktno koristimo.

Na primer, ako želite da rešite problem memorije Agenta između sesija, možete pratiti drugo rešenje (kasnije će biti objašnjeno kako konkretno).

Osećaj je kao da su preci posadili drvo, a potomci uživaju u hladovini.

03. Test nasleđa sposobnosti

Bez prakse nema efekta, hajde da uzmemo realan scenario.

Na primer, pravite AI asistenta za korisničku podršku, korisnici često u više sesija postavljaju isto pitanje. Na primer, danas pita "Da li poznaješ Pai Pametan RAG projekat?", sutra opet pita "Za ono Pai Pametan pitanje koje sam juče postavio, možeš li da mi kažeš šta je zapravo RAG?"

Pre nego što je implementirana memorija između sesija, pri svakom otvaranju nove sesije, Agent se ponaša kao da ima amneziju, uopšte ne pamti šta je ranije pričao.

Ovo je tipičan sindrom amnezije sesije. Nakon završetka svake sesije, kontekst Agenta se briše, sledeći razgovor kreće od nule.

Sa ovim problemom, ranije je moje rešenje bilo:

1. Napraviti tabelu istorije sesija u bazi, beleži sve razgovore
2. Pri svakoj novoj sesiji, pretražiti istoriju korisnika
3. Ručno ubaciti istoriju u kontekst Agenta
4. Obraditi razne granične slučajeve (šta ako je istorija preduga, kako selektovati relevantan sadržaj)

Kada Agent integriše EvoMap, stvari postaju jednostavnije, direktno unesite prompt: pomozi mi da rešim problem memorije sesije, neka Agent pamti prethodni sadržaj razgovora.

Agent će pročitati sažetak Capsule za memoriju između sesija, razumeti pristup rešenju, a zatim ga implementirati u projekat. Opšta ideja je ovakva.

Prvi korak, identifikacija problema. Agent analizira da je zahtev memorija sesije, signal okidanja session_amnesia.

Drugi korak, upit Capsule. Agent putem POST /a2a/fetch upita EvoMap za relevantnu Capsule, nalazi rešenje "memorija između sesija".

Treći korak, čitanje sažetka rešenja. Capsule govori Agentu rešenje.

Problem: AI ne pamti stvari između sesija
Rešenje:
  - RECENT_EVENTS.md služi kao 24h rolling dnevnik događaja
  - memory/YYYY-MM-DD.md služi kao dnevna arhiva memorije
  - Na početku sesije pročitati relevantnu memoriju, na kraju sesije upisati novu memoriju
  - Inteligentno selektovati nedavnih N relevantnih zapisa, izbegavati preopterećenje konteksta

Četvrti korak, implementacija rešenja. Na osnovu ovog sažetka, Agent u projektu generiše konkretnu implementaciju.

Testirao sam, efekat je bio neposredan:

Nova sesija ima memoriju prethodnog prozora sesije

Ovo je prava moć nasleđa sposobnosti. Capsule vam ne daje mrtav kod, već vašem AI Agentu proveren skup ideja za rešenje.

Ovo rešenje bi vam ranije možda trebalo dva-tri dana da smislite, sada 2 minuta i gotovo.

Još važnije, ovo rešenje je već provereno u različitim scenarijima, razmatra razne granične slučajeve:

• Šta ako je memorija fajl prevelik? → 24h rolling dnevnik + dnevna arhiva
• Kako selektovati relevantan kontekst? → Inteligentno match-ovanje nedavnih N zapisa
• Kako izbeći trošenje tokena? → Učitati samo sažetke ključnih informacija

Sve su to zamke u koje su drugi Agenti već uleteli, sada naš Agent direktno uči ovaj obrazac.

04. Doprinos donosi i nagradu

EvoMap nije samo jednosmerna platforma "uzmi i koristi", ima i kompletan sistem podsticaja za doprinos.

Kada vaš Agent doprinese visokokvalitetnu Capsule, na primer savršeno popravlja spor SQL upit. Svaki put kada drugi Agent pozove ovu kapsulu, dobijate Reputation (reputacioni rezultat) i Credit (rezultat doprinosa).

Credit je sličan GitHub Contribution, može se zameniti za resurse developera kao što su cloud servisi, API kvote, procesorski kapacitet.

Ovaj dizajn rešava ključno pitanje: zašto bih podelio sposobnosti koje je moj Agent istrenirao sa drugima?

Odgovor je: bogata nagrada.

EvoMap ima i modul za tehničku lovu na nagrade. Korisnici mogu objaviti Credit zadatke na platformi, na primer:

• Ko može da napiše najelegatnije rešenje za optimizaciju pokretanja Spring Boot-a?
• Ko može da reši najbolju praksu konfiguracije MyBatis više izvora podataka?
• Ko može da implementira visokoperfirmani Redis distribuirani lock?

Agenti širom sveta automatski preuzimaju, takmiče se, podnose rešenja. Pobednik direktno dobija Credit rezultat doprinosa.

Ovo je prvi globalni zatvoreni krug tehničke saradnje u kojem AI automatski dobija podsticaj za developere, neverovatno.

Kao što je poznato, Agent implementacija se dugoročno suočava sa dva ključna kontradikcija:

1. Ostrvo veze: veliki model ne može standardizovano da koristi alate → MCP je rešio
2. Pukotina evolucije: iskustvo agenta se ne može taložiti, greške se ponavljaju, sposobnost ne može da raste linearno → GEP rešava.

Da sumiramo. Core filozofija EvoMap-a je: ako AI treba da proizvede pravu inteligentnu emergenciju, ne može samo da se osloni na trening, mora imati sposobnost samo-evolucije.

ending

Iskreno, ono što me zaista uzbudi nikada nije to što je neki Agent pametniji.

Već kada sam prvi put video da sposobnost koju je jedan Agent naučio može da bude direktno nasleđena od strane drugog Agenta — taj osećaj.

Prošli AI je bio jak.

Ali svaki Agent je kao ostrvo.

Oni znaju da razmišljaju, ali ne i da prenesu.

EvoMap u suštini radi samo jednu stvar:

Od sposobnosti napravi asset, od iskustva gene.

Ako Agent era mora da uđe u industrijsku fazu, zasigurno joj je potrebna sopstvena genska banka.

Jedan Agent nauči, milijarde Agenata imaju koristi.

Ova rečenica zvuči romantično, ali kada je lično isprobate, otkrićete — ovo nije parola, ovo je produktivnost.

A kada produktivnost krene da raste složeno, ekosistem će biti rekonstruisan.

Ako vam ovaj sadržaj pomogne, lajkujte i podelite.

Vidimo se u sledećem.