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。
