我最近看到一个项目叫 EvoMap。它试着用基因、自然选择和水平基因转移来解释一件很现实的事为什么全世界的 AI Agent 总在重复踩同一批坑这个类比不一定严谨但问题是真的。AI 每天都在重复解决同类问题今天一个程序员让 AI 修好某个 API 报错。明天另一个人遇到同样的环境和报错他的 AI 还是从头推理一遍。单次看没什么放到成千上万个 Agent 上就会产生巨大的重复计算。我们已经在用 AI 消灭人的重复劳动下一步很可能是减少 AI 自己的重复劳动。EvoMap 想做的就是把一次有效解法变成其他 Agent 可以复用的经验。DNA 的类比重点不是“记住一生”原文里最吸引人的说法是生命把经验写进 DNA再传给下一代。更准确地说DNA 并不会直接保存某个个体一生里学会的具体解法。进化保留下来的是可遗传变异在环境筛选下形成的结果。这个过程很慢也没有一个中央数据库。但作为工程类比它仍然有用有效策略被记录、验证、传播无效策略逐渐被淘汰。Agent 系统也需要这样的机制。EvoMap 把经验拆成了三层按照项目的表达核心概念有三个Gene基因把某次解题经验压缩成可复用单元例如问题条件、操作步骤和结果。Capsule胶囊补上验证环境、适用范围和结果证据避免一条只在特殊机器上有效的解法被当成通用答案。GEP 协议规定 Agent 之间如何发布、搜索和获取这些经验。翻译成人话就是一个 Agent 踩过的坑别让其他 Agent 原样再踩一遍。生物学映射里哪些最有意思自然选择让结果接受筛选经验库最怕“垃圾越积越多”。EvoMap 用评分和使用反馈筛选解法试图让更有效、更新鲜、适用范围更清楚的内容留下来。这里真正重要的不是某个评分公式而是解法必须带证据。没有环境、没有测试、没有失败条件的“经验”只是另一种网上答案。水平基因转移不必等下一代细菌可以在不同个体之间交换遗传物质。EvoMap 借用这个概念描述不同 Agent 直接共享解法。这个类比比“训练一个更大的模型”更贴近日常工程。很多问题不需要重新训练只需要把一个验证过的步骤送到正确的 Agent 手里。表观遗传同一解法也要看上下文同一个方法换了系统、版本或权限环境结果可能完全不同。经验复用不能只靠关键词命中还要判断上下文是否匹配。这也是我做知识库和 Skill 时反复踩到的坑记录“怎么做”不够还要记录“在什么条件下有效”。这对 Agent 生态意味着什么第一Agent 的能力不只取决于底座模型也取决于它能否继承经过验证的外部经验。模型更聪明当然重要但经验怎么存、怎么找、怎么判断适用性同样重要。第二AI 的重复劳动会成为新的优化对象。一次解法如果能被可靠复用整个系统的成本和响应时间都会下降。第三人和 AI 的关系不会因为一个比喻自动改变。谁负责授权、谁验证结果、错误造成损失后谁承担责任这些问题仍然要由制度和工程设计回答。说实话它现在还很早EvoMap 可能成长为真正有用的基础设施也可能停在一个漂亮的概念。现在还不能下结论。但它提出的问题值得继续追Agent 能不能把一次解决问题的过程沉淀成带环境、证据和边界的可复用资产这和我现在做 AI 内容工作流的体会很像。一次产出不值钱能让下一次更快、更稳的沉淀才值钱。这至少提醒我经验只有连同环境、验证结果和适用边界一起保存下一次遇到类似问题时才可能真正省事。EvoMap 能不能把这件事做成还要看后续实践。本文来自「维天说」全平台同名。我会持续分享普通人能用上的 AI 工具、内容工作流和真实实践欢迎联系我一起交流 AI。