agentopt-ai

AgentOpt 是一个面向现有 Python AI Agent 的自我改进系统，通过评估驱动的生成-测试优化循环，持续测量目标差距并自动化改进流程，无需模型权重训练或 GPU 资源。

核心理念

Write what your agent should do. AgentOpt measures the gap, proposes a fix, verifies it, and keeps only improvements.——用自然语言描述期望行为，AgentOpt 将其编译为可执行评估，捕获 Agent 的模型调用，建立 Prompt 到源码的映射，在不触碰实际项目文件的前提下试运行改进，最终只保留有评估证据支撑的改进版本。

工作流程

observe（采集轨迹）→ eval（评估差距）→ calibrate（校准基准）→ improve（生成改进）→ history（历史追溯）。改进通过 Git worktree 隔离执行，失败自动回滚，不污染主分支。

框架兼容

支持 LangGraph、CrewAI、纯 Python Agent、OpenAI 兼容客户端、Anthropic、命令行 Agent 和 HTTP 服务。通过 GOALS.md 描述期望行为，通过 agentopt.yaml 配置后端（Claude Code / Codex / Cloud API / Ollama）。

黑盒代码改进

agentopt improve --code-only 跳过 observe 阶段，直接对物理项目进行代码编辑。被拒绝的尝试自动恢复，受保护文件（GOALS.md、agentopt.yaml、.agentopt/ 目录）除外。

适用场景

已有 AI Agent 产品，需要持续优化其回答质量、遵循规范、减少有害内容的开发团队；希望通过自动化评估而非人工Review驱动 Agent 迭代的产品负责人；需要将人类反馈转化为可重用测试用例的工程团队。