github

Prime Agent开源：会自我进化的AI编程智能体，9.2K Stars背后的递归语言模型架构

📅 2026/8/14 👁️ 54 阅读 ✏️ 2026/8/14 更新

Prime Agent开源：会自我进化的AI编程智能体，9.2K Stars背后的递归语言模型架构

2026年8月，AI编程智能体赛道迎来了一位重量级选手。PrimeIntellect团队正式开源了 Prime Agent——一个基于"递归语言模型"理念构建的自我改进型AI编程智能体。项目上线GitHub仅5天便斩获8.6K+ Stars，截至目前已突破9.2K Stars，成为本月GitHub Trending榜上最受关注的AI Agent项目之一。

这个项目之所以引发如此高的关注度，并不只是因为它又一个"AI写代码"的工具。它提出的核心命题——让AI从"一次性打工仔"进化为"会记笔记、带新人、自己复盘的老员工"——直击当前AI编程智能体的最大痛点：会话结束即遗忘，经验无法沉淀，每次任务都从零开始。

本文将从架构设计、核心原理、安装使用、应用场景、竞品对比等多个维度，全面解析Prime Agent的技术内核与开源生态。

一、Prime Agent是什么：重新定义AI编程智能体

1.1 项目概览

Prime Agent是PrimeIntellect团队于2026年8月开源的AI编程智能体框架，当前版本为v0.7.1，采用MIT许可证完全开源。与市面上大多数"对话框式"编程助手不同，Prime Agent的核心设计目标是长线任务——那些需要跨越多次会话、持续数小时甚至数天才能完成的研究与编码任务。

以下是项目的核心特征概览：

| 维度 | 说明 |
|------|------|
| 开源协议 | MIT License（完全开源，商用友好） |
| 当前版本 | v0.7.1 |
| GitHub Stars | 9.2K+（截至2026年8月） |
| 核心能力 | 自我改进（Self-improving） |
| 任务定位 | 通用编码 + 科研任务 |
| 任务周期 | 跨多次会话、持续数小时的长线任务 |
| TUI界面 | 基于PrimeIntellect的pi项目构建 |

1.2 它解决了什么问题

当前主流的AI编程智能体存在一个根本性矛盾：模型能力越来越强，但脚手架（Scaffold）却越来越成为瓶颈。

传统的AI Agent采用"工具调用"（Tool Calling）模式——模型被嵌入一个固定的工作流中，每一步都被预定义的流程所约束。这种模式在简单任务上表现尚可，但在面对复杂的长周期任务时，暴露出三个致命问题：

  • 遗忘问题：每次会话结束后，所有上下文清零，AI无法从过去的错误中学习

  • 脚手架僵化：固定的工具调用链条无法适应前沿模型涌现的推理能力

  • 经验无法复用：团队中一个AI解决问题后，另一个AI遇到相同问题时依然束手无策

    • Prime Agent提出的解决方案正是基于两大核心抽象：递归语言模型（RLM） 和 持续框架（Continual Harness）。

    二、核心架构解析：两大抽象与五大组件

    2.1 递归语言模型（RLM）：让模型利用脚手架而非绕过它

    递归语言模型（Recursive Language Model，简称RLM）是Prime Agent最核心的理念创新。要理解它的价值，需要先看清传统工具调用模式的局限。

    #### 传统工具调用模式 vs 递归语言模型

    | 对比维度 | 传统工具调用模式 | 递归语言模型（RLM） |
    |----------|------------------|----------------------|
    | 工作流设计 | 静态、手工设计的固定流程 | 动态、模型自我编排的递归结构 |
    | 模型与脚手架关系 | 模型被限制在脚手架内 | 模型利用脚手架作为自身能力的延伸 |
    | 适应性 | 固定流程难以适应新任务 | 模型可根据任务自行调整执行策略 |
    | 能力天花板 | 受限于脚手架设计者的预设 | 随模型能力提升而自动增强 |
    | 设计哲学 | "为模型搭建一条轨道" | "给模型一块画布，让它自己构图" |

    PrimeIntellect团队在项目文档中明确指出一个关键判断：静态、手工设计的框架已经被前沿模型的能力所超越。换言之，当我们还在为AI精心设计"第一步做什么、第二步做什么"的工作流时，模型本身已经具备了自主规划执行路径的能力。传统脚手架不再是赋能，而是束缚。

    RLM的核心思想是递归——模型可以将自身的推理过程作为输入，将上一步的输出作为下一步的上下文，形成一个自我引用、自我深化的执行循环。模型不再是被调用者，而是调用者本身；脚手架不再是轨道，而是模型可以自主调用的工具箱。

    #### RLM的递归执行逻辑

    用一个简化的伪代码来理解RLM的执行逻辑：

    python
    def recursive_language_model(task, context, depth=0, max_depth=50):
    """
    递归语言模型的核心执行循环
    模型在每一轮可以决定：继续深入、回溯、或完成任务
    """
    if depth >= max_depth or task.is_complete(context):
        return context.finalize()
    
    # 模型自主决定下一步行动
    action = model.plan_next_step(task, context)
    
    # 执行行动并更新上下文
    result = action.execute(context)
    new_context = context.update(result)
    
    # 递归：模型可以基于新上下文继续推理
    # 这里的"递归"不是简单的循环，而是模型可以
    # 将自身的推理历史作为结构化输入
    return recursive_language_model(task, new_context, depth + 1, max_depth)

    这段伪代码展示了RLM与传统工具调用的本质区别：在传统模式中，是外部框架决定"下一步调用哪个工具"；而在RLM中，是模型自己决定下一步做什么，框架只提供执行环境和状态管理。

    2.2 持续框架（Continual Harness）：AI的经验积累系统

    如果说RLM解决的是"单次任务中如何执行"的问题，那么持续框架（Continual Harness） 解决的就是"跨任务如何积累"的问题。

    PrimeIntellect团队用了一个非常生动的比喻来描述持续框架的价值：

    传统AI编程智能体像一个"一次性打工仔"——每次任务来了就干，干完就走，不会记住任何东西。而持续框架让AI变成了"会记笔记、带新人、自己复盘的老员工"——它会记录解决问题的过程，总结经验教训，在下次遇到类似问题时直接调用过去的经验。

    #### 持续框架的三大能力

  • 持久化会话状态：跨会话保存任务上下文，AI在重启后可以"接着上次的工作继续"

  • 跨会话经验积累：将成功和失败的解决方案抽象为可复用的经验模式

  • 知识传递：一个AI解决的问题，可以被其他AI实例快速学习和复用

    • 这种设计的深远影响在于：AI编程智能体第一次具备了"组织知识管理"的能力。在过去，一个团队中不同的AI实例各自为战，解决相同问题需要重复试错。而持续框架让多个AI实例共享一个不断增长的经验库。

    三、架构组件详解：Daemon、Worker、Kernel与持久化边界

    Prime Agent的架构设计借鉴了操作系统的设计哲学，通过进程隔离和持久化边界来实现稳定的长线任务执行。

    3.1 架构全景图

    Prime Agent的核心架构由以下组件构成：

    text
    ┌─────────────────────────────────────────────┐
│                  TUI Interface               │
│            (基于 pi 项目构建)                 │
├─────────────────────────────────────────────┤
│                  Daemon                      │
│         (守护进程，管理全局生命周期)          │
├──────────┬──────────┬───────────────────────┤
│  Worker  │  Worker  │      Worker            │
│ (工作进程)│(工作进程) │    (工作进程)          │
├──────────┴──────────┴───────────────────────┤
│                   Kernel                     │
│    (内核，协调资源调度与状态管理)              │
├─────────────────────────────────────────────┤
│           Persistence Boundaries             │
│        (持久化边界，定义状态存取范围)           │
├─────────────────────────────────────────────┤
│              Storage Layer                   │
│     (会话状态 / 经验库 / 任务上下文)           │
└─────────────────────────────────────────────┘

    3.2 Daemon：守护进程

    Daemon是Prime Agent的守护进程，负责管理整个Agent系统的全局生命周期。它的职责包括：

  • 进程管理：启动、监控和回收Worker进程

  • 健康检查：定期检查Worker状态，在进程崩溃时自动重启

  • 资源调度：在多个并发任务之间分配计算资源

  • 会话恢复：在系统重启后恢复未完成的任务

    • Daemon的设计借鉴了Unix守护进程的理念——它应该在后台默默运行，为上层应用提供可靠的基础服务。

    3.3 Worker：工作进程

    Worker是实际执行任务的进程。Prime Agent支持多个Worker并发运行，每个Worker可以独立处理一个任务或子任务。Worker的核心特点包括：

  • 进程隔离：每个Worker运行在独立的进程中，一个Worker的崩溃不会影响其他Worker

  • 状态共享：Worker之间通过Kernel协调，可以共享经验库中的知识

  • 递归执行：Worker内部运行RLM循环，实现递归推理

    • 3.4 Kernel：内核

    Kernel是Prime Agent的协调核心，类似于操作系统内核的角色。它负责：

  • 状态管理：维护所有Worker的运行状态和任务上下文

  • 消息路由：在Worker之间、Worker与存储层之间路由消息

  • 冲突解决：当多个Worker同时访问共享资源时进行协调

  • 经验索引：管理和检索持续框架中的经验库

    • 3.5 Persistence Boundaries：持久化边界

    持久化边界是Prime Agent架构中最精妙的设计之一。它明确定义了哪些状态需要持久化、何时持久化、以及不同组件之间的状态隔离规则。

    持久化边界的设计原则：

    | 边界类型 | 持久化内容 | 生命周期 | 用途 |
    |----------|-----------|----------|------|
    | 会话边界 | 当前任务的完整上下文 | 跨会话存活 | 支持任务暂停与恢复 |
    | 经验边界 | 抽象后的解决方案模式 | 永久存储 | 跨任务经验复用 |
    | 进程边界 | Worker运行时状态 | 进程生命周期内 | 进程崩溃后状态恢复 |
    | 内核边界 | 全局协调状态 | Daemon生命周期内 | 系统级状态管理 |

    这种分层持久化设计确保了：即使Worker进程崩溃，任务上下文也不会丢失；即使Daemon重启，经验库依然完好无损。

    四、安装与使用教程

    4.1 环境要求

    在安装Prime Agent之前，请确保你的系统满足以下要求：

  • Python 3.11 或更高版本

  • Git 2.30+

  • 至少 8GB 可用内存（推荐 16GB+）

  • 支持的操作系统：Linux、macOS、Windows（WSL2）

    • 4.2 安装步骤

    方式一：通过pip安装（推荐）

    bash
    # 创建虚拟环境
python -m venv prime-agent-env
source prime-agent-env/bin/activate  # Linux/macOS
# prime-agent-env\Scripts\activate   # Windows

# 安装 Prime Agent
pip install prime-agent

# 验证安装
prime-agent --version
# 输出: prime-agent v0.7.1

    方式二：从源码安装

    bash
    # 克隆仓库
git clone https://github.com/PrimeIntellect-ai/prime-agent.git
cd prime-agent

# 安装依赖
pip install -e .

# 初始化配置
prime-agent init

    4.3 配置模型

    Prime Agent支持多种大语言模型后端。创建配置文件 ~/.prime-agent/config.yaml：

    yaml
    # 模型配置
model:
  provider: openai  # 支持 openai / anthropic / local
  name: gpt-4o
  api_key: ${OPENAI_API_KEY}
  max_tokens: 128000
  temperature: 0.7

# 持续框架配置
continual_harness:
  experience_db: ~/.prime-agent/experience.db
  auto_summarize: true
  max_experience_entries: 10000

# Daemon 配置
daemon:
  max_workers: 4
  health_check_interval: 30
  auto_restart: true

# Kernel 配置
kernel:
  state_persistence: true
  checkpoint_interval: 60

    4.4 基本使用

    启动Daemon守护进程：

    bash
    # 后台启动 Daemon
prime-agent daemon start

# 查看 Daemon 状态
prime-agent daemon status

    使用TUI界面（基于pi项目）：

    bash
    # 启动终端用户界面
prime-agent tui

    TUI界面提供了任务管理、Worker监控、经验库浏览等功能，是基于PrimeIntellect的pi项目构建的。

    通过Python API使用：

    python
    from prime_agent import Agent, Task

# 创建 Agent 实例
agent = Agent(
    model="gpt-4o",
    continual_harness=True,  # 启用持续框架
    max_recursion_depth=50,
)

# 定义一个长线任务
task = Task(
    description="""
    分析 GitHub 上 PyTorch 仓库的 issue 列表，
    找出最近 30 天内被标记为 'bug' 但尚未解决的 issue，
    尝试复现问题并生成修复方案的初步报告。
    """,
    # 跨会话持久化
    persistent=True,
    # 设置最大执行时间
    timeout_hours=4,
)

# 执行任务
result = agent.run(task)

# 查看结果
print(f"任务状态: {result.status}")
print(f"分析的问题数量: {result.summary['issues_analyzed']}")
print(f"生成的报告路径: {result.output_path}")

# 任务可以暂停和恢复
task_id = result.task_id
# ... 稍后恢复任务 ...
resumed_result = agent.resume(task_id)

    查看经验库：

    python
    from prime_agent import ExperienceStore

store = ExperienceStore()

# 查看积累的经验
experiences = store.list_experiences(limit=10)
for exp in experiences:
    print(f"[{exp.category}] {exp.title}")
    print(f"  成功率: {exp.success_rate:.1%}")
    print(f"  使用次数: {exp.usage_count}")
    print(f"  最后使用: {exp.last_used}")

    五、长周期任务应用场景

    Prime Agent的设计核心是长线任务——那些传统AI助手无法胜任的、需要持续数小时的复杂任务。以下是几个典型应用场景。

    5.1 场景一：跨仓库代码审计与重构

    一个大型企业可能拥有数十个微服务仓库，需要对全部仓库进行安全审计和代码风格统一。这种任务的特点是：

  • 需要跨多个仓库分析

  • 每个仓库的上下文不同

  • 需要生成统一的审计报告

  • 可能需要数天才能完成

    • 传统AI助手无法胜任这类任务，因为每次会话的上下文窗口有限。而Prime Agent的持续框架可以：

    python
    task = Task(
    description="对 org/repo-1 到 org/repo-30 共30个仓库进行安全审计",
    persistent=True,
    subtasks=[
        "克隆并索引每个仓库",
        "检测SQL注入、XSS等常见漏洞",
        "检查依赖项中的已知CVE",
        "生成统一格式的审计报告",
    ],
    # 允许跨会话执行
    allow_session_break=True,
)

agent.run(task)

    Worker可以逐个仓库处理，Kernel负责汇总结果，经验库记录审计过程中发现的问题模式。即使中途系统重启，任务也能从上次中断处继续。

    5.2 场景二：科研文献综述

    对于研究人员来说，写一篇综述论文可能需要阅读数百篇文献。Prime Agent可以将这个过程自动化：

    python
    research_task = Task(
    description="""
    撰写一篇关于'递归语言模型在AI Agent中的应用'的文献综述。
    1. 搜索 arXiv 上 2024-2026 年的相关论文
    2. 提取每篇论文的核心贡献和方法
    3. 按主题分类整理
    4. 生成结构化的综述文档
    """,
    persistent=True,
    timeout_hours=8,
    output_format="markdown",
)

    在执行过程中，Prime Agent会持续记录已经阅读过的论文和提取的要点，避免重复工作。如果第一天的会话只处理了50篇论文，第二天恢复任务时，它会从第51篇开始继续。

    5.3 场景三：持续集成中的Bug修复助手

    将Prime Agent集成到CI/CD流水线中，作为自动化Bug修复助手：

    python
    # 监听CI失败事件
def on_ci_failure(failure_event):
    task = Task(
        description=f"修复CI失败: {failure_event.error_message}",
        persistent=True,
        context={
            "repo": failure_event.repo,
            "branch": failure_event.branch,
            "error_log": failure_event.log,
        },
        # 查询经验库中是否有类似问题的解决方案
        query_experience=True,
    )
    agent.run(task)

    当CI流水线报告测试失败时，Prime Agent会首先查询经验库中是否有类似问题的解决方案。如果有，直接复用；如果没有，则启动RLM循环进行分析和修复，并将解决方案存入经验库供将来使用。

    六、与其他AI编程Agent的对比

    6.1 全面对比表

    | 特性 | Prime Agent | OpenCode | OpenHands | Claude Code | dify |
    |------|-------------|----------|-----------|-------------|------|
    | GitHub Stars | 9.2K+ | 192K | 82.8K | 闭源 | 152K |
    | 开源协议 | MIT | 开源 | 开源 | 闭源 | 开源 |
    | 核心理念 | 递归语言模型 | 模型无关编码 | 自主软件开发 | 对话式编码 | AI应用构建平台 |
    | 长线任务 | 原生支持 | 有限支持 | 支持 | 不支持 | 不适用 |
    | 跨会话状态 | 持续框架 | 不支持 | 有限支持 | 不支持 | 工作流持久化 |
    | 经验积累 | 内置经验库 | 无 | 无 | 无 | 无 |
    | 自我改进 | 是 | 否 | 否 | 否 | 否 |
    | 模型绑定 | 模型无关 | 模型无关 | 模型无关 | Claude | 模型无关 |
    | TUI界面 | 有（基于pi） | 有 | 有 | 无 | Web界面 |
    | 适用场景 | 长线科研/编码 | 通用编码 | 软件开发 | 日常编码 | AI应用构建 |

    6.2 差异化定位分析

    与OpenCode对比：OpenCode以192K Stars稳坐编码Agent赛道头把交椅，其核心优势在于"模型无关"的通用性和成熟的TUI体验。但OpenCode的设计仍然基于传统的工具调用模式，不具备跨会话经验积累能力。Prime Agent在"长线任务"和"自我改进"两个维度上实现了差异化。

    与OpenHands对比：OpenHands（82.8K Stars）专注于自主软件开发工作流，擅长端到端的开发任务。两者的差异在于：OpenHands聚焦于"把一个开发任务做完"，而Prime Agent聚焦于"从多次任务中学习和改进"。

    与Claude Code对比：Claude Code是Anthropic推出的闭源编程助手，体验流畅但完全绑定Claude模型，且不支持跨会话状态。Prime Agent的开源和模型无关特性，为需要自主控制数据的团队提供了替代选择。

    与dify对比：dify（152K Stars）更偏向于AI应用构建平台，面向的是"搭建AI工作流"的场景，而非"执行编码任务"。两者并不构成直接竞争，更多是互补关系。

    6.3 选择建议


  • 如果你的需求是日常快速编码：OpenCode或Claude Code更合适

  • 如果你的需求是端到端软件开发：OpenHands是成熟选择

  • 如果你的需求是长周期科研任务：Prime Agent是目前最匹配的选择

  • 如果你的需求是搭建AI应用：dify或langflow更适合

    • 七、prime-rl：Agentic RL训练框架

    与Prime Agent同时开源的还有 prime-rl（Agentic RL Training at Scale），这是一个用于大规模Agentic强化学习训练的框架。

    7.1 prime-rl的定位

    prime-rl并非一个独立的AI Agent，而是为训练具备Agent能力的模型提供的基础设施。它的核心价值在于：

  • 大规模RL训练：支持在分布式集群上进行Agent行为的强化学习训练

  • 经验回放：将Agent在真实任务中的交互数据用于训练信号

  • 与Prime Agent的协同：Prime Agent在实际使用中积累的经验，可以作为prime-rl的训练数据

    • 7.2 Prime Agent与prime-rl的飞轮效应

    这两个项目共同构成了一个"自我改进飞轮"：

  • Prime Agent在执行任务时积累经验

  • 经验数据被prime-rl用于强化学习训练

  • 训练后的模型更新到Prime Agent

  • 更强的Agent积累更高质量的经验

  • 循环往复，持续进化

    • 这种"运行时积累+训练时强化"的双轮驱动模式，是PrimeIntellect团队对"自我改进AI"的核心技术路径。

    八、GitHub 2026年8月AI Agent趋势分析

    8.1 本月热门AI Agent项目盘点

    2026年8月的GitHub趋势榜上，AI Agent赛道异常热闹。除了Prime Agent之外，以下项目也值得关注：

    | 项目 | Stars | 核心定位 | 增长趋势 |
    |------|-------|---------|----------|
    | Prime Agent | 9.2K+ | 自我改进型编程Agent | 5天8.6K+ |
    | OpenCode | 192K | 模型无关编码Agent | 稳定增长 |
    | OpenHands | 82.8K | 自主软件开发工作流 | 稳定增长 |
    | dify | 152K | AI应用构建平台 | 稳定增长 |
    | holaOS | 增长中 | 一体化AI Agent工作空间 | 快速增长 |
    | langflow | 增长中 | 可视化AI Agent构建器 | 稳定增长 |

    8.2 趋势解读

    从本月趋势可以观察到几个明确的行业方向：

    趋势一：从"工具调用"到"自我编排"

    早期AI Agent项目大多基于LangChain式的工具调用链，需要开发者预定义工作流。而Prime Agent代表的RLM方向，正在推动行业从"人设计流程给AI执行"转向"AI自己编排执行流程"。

    趋势二：从"单次任务"到"持续协作"

    holaOS提出"一体化AI Agent工作空间"，支持100+集成；Prime Agent强调跨会话经验积累。这些信号表明，行业正在从"单次任务执行"转向"持续协作模式"——AI不再是完成一次任务就消失的工具，而是长期驻留、不断学习的协作者。

    趋势三：开源生态加速成熟

    OpenCode（192K Stars）、OpenHands（82.8K Stars）、dify（152K Stars）等项目的持续高增长，加上Prime Agent的快速崛起，说明AI Agent的开源生态正在加速成熟。开发者社区对开源、可控的AI Agent方案需求旺盛。

    趋势四：垂直场景深耕

    通用AI Agent平台（如dify、langflow）与垂直场景Agent（如Prime Agent专注长线编码任务）正在形成分层。通用平台负责"搭建"，垂直Agent负责"深耕"，两者构成互补。

    九、局限性与未来方向

    9.1 当前局限性

    作为一个v0.7.1版本的项目，Prime Agent仍存在一些值得关注的局限性：

  • 成熟度尚早：v0.7.1意味着项目尚未达到1.0稳定版，API可能存在变动，不建议直接用于生产环境的关键链路。

  • 模型依赖：虽然Prime Agent本身是模型无关的，但RLM的效果高度依赖底层模型的推理能力。在使用较弱的模型时，递归推理的效果可能大打折扣。

  • 资源消耗：持续框架和递归执行意味着更高的内存和存储消耗。对于资源受限的环境（如个人开发者的笔记本），可能面临性能压力。

  • 学习曲线：与"打开就用的对话框式助手"相比，Prime Agent需要理解RLM、持续框架、持久化边界等概念，对初次使用者有一定门槛。

  • 经验库质量管理：随着经验库不断增长，如何自动清理过时经验、避免错误经验的传播，是一个尚未完全解决的工程挑战。

  • 安全边界：递归执行模型如果缺乏适当的安全约束，可能产生不可预期的执行路径。在敏感环境中部署时需要额外的沙箱机制。

    • 9.2 未来发展方向

    基于项目的开源路线图和行业趋势，以下几个方向值得关注：

  • 多模态递归：将RLM从纯文本推理扩展到多模态（图像、代码、图表），增强对复杂软件工程任务的理解能力

  • 联邦经验共享：允许不同组织之间安全地共享脱敏后的经验模式，构建更大的AI协作网络

  • 自动课程学习：基于经验库中的成功/失败模式，自动生成训练课程，与prime-rl协同优化模型

  • 更强的安全沙箱：为递归执行提供更强的隔离机制，防止不可预期的副作用

  • 可视化经验管理：提供更友好的经验库管理界面，让用户可以审查、编辑和组织AI积累的经验

    • 十、总结

    Prime Agent的开源，为AI编程智能体赛道带来了一个全新的思考维度：AI不应该只是一个执行指令的工具，而应该是一个能够从经验中学习、持续改进的协作者。

    递归语言模型（RLM）打破了传统工具调用模式的脚手架限制，让模型能够自主编排执行路径；持续框架（Continual Harness）则让AI具备了跨会话的经验积累能力，从"一次性打工仔"进化为"会复盘的老员工"。Daemon-Worker-Kernel的操作系统级架构设计，为长线任务的稳定执行提供了可靠的基础设施。

    当然，作为一个v0.7.1的项目，Prime Agent仍有很长的路要走。但它所代表的"自我改进AI"方向，无疑指向了AI编程智能体的下一个范式。

    在2026年8月的GitHub趋势中，我们看到的不仅是一个项目的崛起，而是整个AI Agent赛道从"工具化"向"智能化"演进的趋势。从OpenCode的模型无关编码、OpenHands的自主开发、dify的应用构建，到Prime Agent的自我改进，开源社区正在用不同的路径探索AI Agent的可能性。

    对于开发者而言，现在正是关注和参与这一方向的好时机。无论是使用Prime Agent处理长线任务，还是研究RLM的架构设计，亦或通过prime-rl探索Agentic RL训练，都有丰富的探索空间。

    项目地址：https://github.com/PrimeIntellect-ai/prime-agent

    许可证：MIT License

    当前版本：v0.7.1

    💬 评论区 (0)

    0/500

    暂无评论，快来抢沙发吧！