Prime Agent 使用指南：GitHub 1.8 万 Star 的自改进 AI 编程智能体，5 分钟上手

AI 编程智能体的赛道又卷出新高度。前有 Codex、Claude Code 各领风骚，后有 DeepSeek Harness 一键开源，而这次登场的是 Prime Intellect 开源的 Prime Agent——一个号称"能自我改进"的智能体框架（官方描述：面向编码工作流和长时自主任务的自改进 RLM 智能体），上线几个月已在 GitHub 收获超 1.8 万 Star，社区里不少人称它为"超越 Codex/Claude Code 的新一代 coding harness"。

它到底新在哪？普通开发者怎么 5 分钟跑起来？这篇文章带你从背景讲起，通俗易懂地过一遍。

一、背景：现在的 AI 编程助手都有个通病

用过 Claude Code、Codex 这类工具的朋友应该都有体会：AI 很聪明，但每次对话都是从零开始。

• 上周教过它"我们项目改完代码要跑 npm run check"，这周它忘了；
• 上次总结出的"排查这个服务先看日志再看重启策略"的经验，换个会话就消失；
• 上下文一长就开始"失忆"，前面读过的文件后面又重新读一遍。

本质原因是：这些工具把 harness（运行环境/外壳）写死了。系统提示词、工具定义、工作流程都是官方固定的，模型用得再顺手，也没法把"经验"沉淀下来传给下一次会话。

Prime Intellect（就是那个做分布式训练和 PRIME-RL 强化学习框架的团队）提出了一个新思路：让 harness 本身也能被 AI 改进。这就是 Prime Agent 的核心——一个"自我改进的 RLM Harness"（A Self-Improving RLM Harness），基于他们之前广受欢迎的 pi 终端智能体构建，MIT 协议完全开源。

二、Prime Agent 是什么：两个核心抽象

别被 RLM（Recursive Language Model，递归语言模型）这个词吓到，拆开看其实很好懂。

1. RLM：把上下文当变量，把子任务当函数调用

传统 agent 是"一问一答"式的：你给提示词，模型回复。而 RLM 的思路是给模型一个常驻的 Python REPL：

• 上下文即变量：读过的文件、跑过的命令结果、中间结论，都像变量一样留在 REPL 里，随取随用，不用反复塞进对话；
• 一切皆代码：模型只有一个内置工具 ipython，文件操作、shell 命令、调工具、开子代理，全部通过写 Python 代码完成；
• 子代理像函数一样递归：await rlm("子任务") 一行代码就能派出一个真正的子智能体去并行干活，结果通过消息回传给父代理。

# 模型在 REPL 里可以这样干活
await rlm("审查认证模块的安全性") # 派子代理 A
await rlm("检查测试覆盖率") # 派子代理 B（并行）
# 子代理干完活，结果作为消息回流

2. Continual Harness：会积累经验的"外壳"

这是 Prime Agent 最有意思的部分。它把补充提示词、记忆、技能描述、可复用的子代理规格，全部存成持久化状态（默认只作用于本地会话）。

关键命令是 /refine：AI 会回顾当前整个工作轨迹，把值得记住的东西——比如"这个项目的构建必须先装 Rust"——以小步、有证据支撑的方式写入 harness 状态。它永远不会改写不可变的基础系统提示词，且每次修改都有快照、可回滚。

一句话总结：以前是"AI 在固定流水线上打工"，现在是"AI 能自己改造流水线，还能留下笔记"。

三、它解决了什么问题

四、5 分钟上手：安装到第一个会话

第 1 步：安装（macOS / Linux）

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

安装器会下载带版本号的发布产物、校验 SHA-256、装好 prime-agent 命令，并自动准备 agent 用的 Python 运行时。想尝鲜最新 beta 版加个参数：sh -s — beta。

Windows 用户可用 WSL；源码运行需要 Node.js 22.8.0+：

git clone https://github.com/PrimeIntellect-ai/prime-agent
cd prime-agent && npm ci && ./prime-agent.sh

第 2 步：登录认证

Prime Agent 支持两种方式，任选其一：

方式一：订阅账号登录（最省事，白嫖现有订阅）

/login

内置支持 Claude Pro/Max、ChatGPT Plus/Pro（Codex）、GitHub Copilot 等订阅。

方式二：API Key

export ANTHROPIC_API_KEY=sk-ant-...
prime-agent

也支持 OpenAI、Azure OpenAI、Amazon Bedrock、Google Vertex、Cloudflare 等云厂商，以及自定义 provider。

第 3 步：进入项目目录，启动

cd /path/to/your/project
prime-agent

直接输入需求回车即可，比如：

总结一下这个仓库，并告诉我怎么跑它的检查。

模型会启动常驻 Python 内核，自己读文件、跑命令、给结论。切模型用 /model，调推理强度用 /effort。

五、日常使用高频技巧

引用文件

编辑器里输入 @ 可模糊搜索文件；也可以启动时直接带：

prime-agent @README.md "总结一下"

直接跑 shell

!npm run lint # 输出会发给模型
!!npm run lint # 输出不进模型上下文（省 token）

会话管理：关了终端也不怕

会话自动保存在 ~/.prime/agent/sessions/，且由后台守护进程托管——关掉 TUI 只是"挂起"，任务还在跑：

prime-agent -c # 继续最近会话
prime-agent agents # 查看所有运行中/空闲/保存的会话
prime-agent attach <name> # 重新接回某个运行中的会话
prime-agent status # 查看后台服务状态
prime-agent doctor –fix # 检查并修复后台服务

非交互式：一条命令出结果

prime-agent -p "总结这个代码库"
cat error.log | prime-agent -p "分析这个报错"

配合 –mode json 或 –mode rpc 可以做无头自动化集成。

项目说明书：AGENTS.md

在项目根目录放一个 AGENTS.md，写清楚项目规矩：

– 改完代码要跑 `npm run check`
– 不要在本地跑生产迁移
– 回答保持简洁

Prime Agent 启动时自动加载（也支持 ~/.prime/agent/AGENTS.md 全局配置和 CLAUDE.md），改完执行 /reload 生效。

六、进阶：长任务与多智能体

这是 Prime Agent 相比同类工具最能打的部分，专门为"跑几个小时的研究型任务"设计。

持久目标：/goal

设定一个目标后，它会跨轮次、跨会话一直保持激活，直到完成、暂停或清除。AI 干着干着被打断也不丢主线。

心跳与定时：/heartbeat 和 schedule

让会话每隔一段时间自动"醒来"检查一次进度，或在指定时间触发：

prime-agent schedule # 管理定时任务

有界自主模式：/autonomous

在配置的轮次、token、时间预算内自主连续工作，还能挂自定义质量门禁。注意文档的诚实提醒：门禁通过只说明门禁检查的内容合格，到达预算上限不等于任务成功。

子代理并行干活

直接用自然语言指挥即可：

把"审查认证安全性"和"检查测试覆盖率"作为独立子任务并行执行，最后汇总发现。

模型会在 REPL 里自己 await rlm(…) 派活，子代理与父代理共用同一套运行时、provider、技能体系，还能互相直接发消息协作。

用一张图看懂整体架构：

#mermaid-svg-tL1tal5pbSJc85Bz{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-tL1tal5pbSJc85Bz .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-tL1tal5pbSJc85Bz .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-tL1tal5pbSJc85Bz .error-icon{fill:#552222;}#mermaid-svg-tL1tal5pbSJc85Bz .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-tL1tal5pbSJc85Bz .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-tL1tal5pbSJc85Bz .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-tL1tal5pbSJc85Bz .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-tL1tal5pbSJc85Bz .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-tL1tal5pbSJc85Bz .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-tL1tal5pbSJc85Bz .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-tL1tal5pbSJc85Bz .marker{fill:#333333;stroke:#333333;}#mermaid-svg-tL1tal5pbSJc85Bz .marker.cross{stroke:#333333;}#mermaid-svg-tL1tal5pbSJc85Bz svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-tL1tal5pbSJc85Bz p{margin:0;}#mermaid-svg-tL1tal5pbSJc85Bz .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-tL1tal5pbSJc85Bz .cluster-label text{fill:#333;}#mermaid-svg-tL1tal5pbSJc85Bz .cluster-label span{color:#333;}#mermaid-svg-tL1tal5pbSJc85Bz .cluster-label span p{background-color:transparent;}#mermaid-svg-tL1tal5pbSJc85Bz .label text,#mermaid-svg-tL1tal5pbSJc85Bz span{fill:#333;color:#333;}#mermaid-svg-tL1tal5pbSJc85Bz .node rect,#mermaid-svg-tL1tal5pbSJc85Bz .node circle,#mermaid-svg-tL1tal5pbSJc85Bz .node ellipse,#mermaid-svg-tL1tal5pbSJc85Bz .node polygon,#mermaid-svg-tL1tal5pbSJc85Bz .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-tL1tal5pbSJc85Bz .rough-node .label text,#mermaid-svg-tL1tal5pbSJc85Bz .node .label text,#mermaid-svg-tL1tal5pbSJc85Bz .image-shape .label,#mermaid-svg-tL1tal5pbSJc85Bz .icon-shape .label{text-anchor:middle;}#mermaid-svg-tL1tal5pbSJc85Bz .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-tL1tal5pbSJc85Bz .rough-node .label,#mermaid-svg-tL1tal5pbSJc85Bz .node .label,#mermaid-svg-tL1tal5pbSJc85Bz .image-shape .label,#mermaid-svg-tL1tal5pbSJc85Bz .icon-shape .label{text-align:center;}#mermaid-svg-tL1tal5pbSJc85Bz .node.clickable{cursor:pointer;}#mermaid-svg-tL1tal5pbSJc85Bz .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-tL1tal5pbSJc85Bz .arrowheadPath{fill:#333333;}#mermaid-svg-tL1tal5pbSJc85Bz .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-tL1tal5pbSJc85Bz .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-tL1tal5pbSJc85Bz .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-tL1tal5pbSJc85Bz .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-tL1tal5pbSJc85Bz .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-tL1tal5pbSJc85Bz .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-tL1tal5pbSJc85Bz .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-tL1tal5pbSJc85Bz .cluster text{fill:#333;}#mermaid-svg-tL1tal5pbSJc85Bz .cluster span{color:#333;}#mermaid-svg-tL1tal5pbSJc85Bz div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-tL1tal5pbSJc85Bz .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-tL1tal5pbSJc85Bz rect.text{fill:none;stroke-width:0;}#mermaid-svg-tL1tal5pbSJc85Bz .icon-shape,#mermaid-svg-tL1tal5pbSJc85Bz .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-tL1tal5pbSJc85Bz .icon-shape p,#mermaid-svg-tL1tal5pbSJc85Bz .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-tL1tal5pbSJc85Bz .icon-shape .label rect,#mermaid-svg-tL1tal5pbSJc85Bz .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-tL1tal5pbSJc85Bz .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-tL1tal5pbSJc85Bz .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-tL1tal5pbSJc85Bz :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

refine

refine

用户 TUI / JSON / RPC

Daemon 守护进程

Worker 会话 A

Worker 会话 B

Python REPL 内核

子代理 rlm

Python REPL 内核

文件 / Shell / 技能包

Continual Harness记忆/技能/提示词, 可回滚

七、技能系统：把常用流程打包复用

Prime Agent 的技能不是提示词模板，而是可直接 import 的 Python 包：

• 内置技能如 websearch 开箱即用；
• 用 /skill:brave-search 这样的命令加载执行技能；
• 内置的 skill-creator 能把你反复出现的工作流（比如"数据库迁移前审查"）一键变成项目级或个人级技能；
• /refine 沉淀下来的经验，也能升级为正式的技能包。

配合官方的技能仓库机制，团队内部沉淀的最佳实践可以直接分发。

八、FAQ（新手最常问的）

Q1：它和 Claude Code / Codex / DeepSeek Harness 有什么区别？ 最大的差异是"自我改进"：其他工具的 harness 是官方写死的，Prime Agent 允许 AI 通过 /refine 把经验写回 harness 并持久化；其次是 RLM 编程模型——上下文当变量管理 + 递归子代理，特别适合长任务。

Q2：Windows 能用吗？ 可以。Prime Agent 需要 bash 环境，大多数用户装个 Git for Windows（自带 Git Bash）就够用，也支持 Cygwin、MSYS2、WSL。

Q3：要不要付费？ 框架本身 MIT 开源免费。模型侧要么用你的订阅（Claude Pro、ChatGPT Plus、Copilot），要么用 API Key。

Q4：子代理会不会失控？ 子代理与父代理同体系管理，结果通过显式消息回传；自主模式有轮次/token/时间三重预算限制。

九、安全提醒（重要！）

README 里官方自己用大字警告了，这里原样转达：

• Prime Agent 会以你的用户权限执行模型生成的 Python 和项目命令，worker/内核的隔离是为了生命周期管理，不是安全沙箱；
• 请在可检查、可回滚的环境中使用（比如干净的 git worktree）；
• 只运行可信来源的仓库、指令、技能和扩展；
• 不受信的代码请放到外部沙箱或受限环境里跑。

写在最后

Prime Agent 代表了 coding agent 的一个新方向：不只比拼模型多聪明，而是让运行环境本身具备进化的能力。经验可沉淀、子代理可递归、会话可断点续跑、技能可编程复用——对做研究和长任务的开发者来说，这套组合拳相当有吸引力。

如果你已经厌倦了每次都从零开始教 AI 干活，不妨花 5 分钟装一个试试：

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

GitHub 地址：https://github.com/PrimeIntellect-ai/prime-agent，觉得不错记得给个 Star。

参考文献

• Prime Agent 官方仓库与文档（Quickstart / Usage / Skills / Providers）
• 论文：arXiv:2608.23552《Prime Agent: A Self-Improving RLM Harness》
• Continual Harness 论文：arXiv:2605.09998
• RLM 博客：primeintellect.ai/blog/rlm