搜索
Claude Code、Codex 组队干活，Raven 新版本既做总调度，也让 Harness 持续进化
3 小时前
EverMind 开源的 Raven V0.2.0 突破了仅在模型参数层面进行递归自我改进的传统思路，提出将整个 Agent 类比于人类大脑。其中，模型参数对应大脑皮层，负责慢速能力巩固；而由记忆、技能、提示等构成的 Harness 则对应海马，实现快速适应。这一理念使递归自我改进得以在 Harness 层落地。Raven V0.2.0 包含两大核心设计：一是支持 AI 独立改写 Harness 的模块、代码、提示和策略四类内容，实验性功能 Curator 已实现从反馈收集到改动校验安装的闭环。二是作为 Harness 的统一编排层，该版本能够统一调度自研的研究、编码、设计、持续执行四类专业 Agent，以及 Claude Code、Codex 等外部专业 Agent。它通过有向无环图拆解复杂任务、管理依赖与并行分支，并依托 EverOS 留存跨会话的上下文与经验，实现跨模型跨框架的能力组合。多维度评测表明，在相同底座模型下，Raven 在多 Agent 编排、深度研究、编码、设计、持续执行等多项任务上的表现优于同类 Harness 框架。目前，Raven 已应用于 AI 自主优化预训练方案、自主制作发布物料、Godot 游戏项目全流程开发等多个实际场景。用户可通过保存可复用的 Playbook 流程，结合反馈让 Curator 持续调整 Harness 策略，逐步培养出适配自身工作习惯的数字伙伴。此外，该版本还开放了全套可扩展的 Harness 接口与实验性自改进参考实现，便于开发者直接复用相关能力。
