GenericAgent 是一个极简、可自我进化的自主 Agent 框架：核心仅约 3K 行代码，用 9 个原子工具 + 约百行的 Agent Loop，赋予任意 LLM 对本地电脑的系统级控制（浏览器、终端、文件系统、键鼠、屏幕视觉、ADB 移动设备）。它的设计哲学是『不预设技能、靠进化获得能力』——每解决一个新任务就把执行路径自动固化为 Skill，用得越久、技能树越茂盛，长成一棵从 3K 行种子代码生长出来、完全属于你的专属技能树。它还自举实证：仓库从 git init 到每条 commit 都由 GenericAgent 自己完成。主打极省 token（上下文 <30K，约为其他 agent 的零头）。Python，MIT。
来源：README 项目简介/核心特性；GitHub desc，license MIT 查看 GitHub 仓库 →约 1.2 万星，热度来自两个反直觉卖点：一是『极简』——核心才 3K 行、Agent Loop 约百行，与动辄庞大的 agent 框架形成鲜明对比；二是『自进化 + 极省 token』——不预设技能、靠把任务沉淀成 Skill 成长，且上下文不到 30K（号称 6 倍省 token、更少幻觉），并用『整个仓库都是它自己 git 出来的』做自举实证，话题性很强。
来源：GitHub 11,977 stars / 1,374 forks，created 2026-01-16；README 核心特性/自举实证code_run（跑任意 Python/PowerShell）、file_read/write/patch、web_scan（感知网页）、web_execute_js（控浏览器）、ask_user（人机确认）、update_working_checkpoint 与 start_long_term_update（记忆）——9 个原子工具构成与外部世界交互的全部基础能力。
来源：README 最小工具集（9 个工具表）遇新任务→自主摸索（装依赖/写脚本/调试验证）→把执行路径固化为 Skill 写入记忆→下次同类任务一句话直接调用；用几周后形成一套别人没有的专属技能树。
来源：README 自我进化机制（流程图/示例）L0 元规则（基础行为/约束）、L1 记忆索引（极简路由召回）、L2 全局事实（长期稳定知识）、L3 任务 Skills/SOPs（可复用流程）、L4 会话归档（长程召回），记忆在执行中持续沉淀。
来源：README 架构设计-分层记忆系统通过 code_run 可在运行时动态装 Python 包、写新脚本、调外部 API 或控制硬件，把临时能力固化为永久工具——具备动态创造新工具的能力。
来源：README 能力扩展机制核心自主执行循环（感知→推理→调用工具→写记忆→循环）仅约百行（agent_loop.py）；兼容 Claude/Gemini/Kimi/MiniMax 等主流模型、跨平台；提供桌面宠物等前端与 IM bot 接口、聊天命令。
来源：README 架构（执行循环）/核心特性/使用方式；agent_loop.py、frontends/刻意做小的 Python 项目，核心文件就在根目录：agent_loop.py（约百行的自主执行循环）、agentmain.py/ga.py/ga_cli（入口与 CLI）、llmcore.py（多模型接入）、TMWebDriver.py（浏览器驱动，注入真实浏览器保留登录态）、simphtml.py（网页感知）、memory/（分层记忆 L0-L4 的落地）、reflect/（反思/长期记忆提炼）、plugins/（扩展）、frontends/（桌面宠物等前端）、hub.pyw/launch.pyw（启动）。整体哲学是『最小工具集 × 分层记忆 × 自主循环』：9 个原子工具是与世界交互的底座，所有更高能力都不是预置的，而是 agent 在解决任务时用 code_run 现写、再固化成 Skill 存入记忆层，因此代码量小但能力可生长。靠极短上下文（<30K）控制 token 与噪声。设计上把『框架』压到最薄、把『能力』交给进化，是它与重型 agent 框架的根本区别。
来源：README 架构设计/能力扩展；tree（agent_loop.py、llmcore.py、memory/、reflect/、TMWebDriver.py）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
多 LLM（Claude/Gemini/Kimi/MiniMax 等）浏览器驱动（注入真实浏览器保登录态）PowerShell/Python（code_run）ADB（移动设备控制）分层记忆 L0-L4适合：①想要一个极简、可读、能系统级操作本机并随用随长技能的个人自动化 agent 的开发者/极客；②重视低 token 成本、想要更少幻觉/更高成功率的人；③想研究『最小框架 + 自进化技能树』这套理念的人；④希望把重复电脑操作（监控、收发、跨应用流程）沉淀成可复用 Skill 的用户。不适合：不接受 agent 在本机执行任意代码与系统级控制的人（安全风险大）；以及需要团队级、强权限管控、稳定生产保障的企业场景。
来源：README 核心特性/自我进化机制，结合系统级控制风险推断仓库无正式 GitHub Release，以主分支持续高频开发（最近 push 2026-05-22，创建于 2026-01-16），并标榜全部提交由 GenericAgent 自主完成。README 列有路线图与最新动态，处于活跃迭代期。
来源：GitHub 无 releases；pushed_at 2026-05-22；README 路线图/自举实证GenericAgent 用一种很有想法的方式回应『agent 框架该多重』：把框架压到约 3K 行、9 个原子工具、百行循环，然后把能力交给进化——每个任务沉淀成 Skill，越用越长出一棵专属技能树，还顺手把省 token（<30K 上下文）做成硬差异化，连仓库本身都是它自己 git 出来的，话题与完成度都够，1.2 万星不意外。但它的代价也很直白：系统级控制本机 + 执行任意代码意味着高安全风险、保护薄弱，更适合个人可控环境而非企业；自进化质量也依赖模型。对喜欢极简、爱折腾、能自担风险的个人开发者，它是当前最有意思的自进化 agent 之一；要权限管控和稳定生产的场景则需谨慎。
来源：综合 README 定位/理念/架构、tree（极简）、安全风险与发布状态的事实判断