【攻略】prime-agent 使用指南
prime-agent 是本周GitHub增长最快的编码Agent：17k星、昨日刚发v0.7.3。它用"递归语言模型"把上下文变成变量、子Agent变成函数调用，专为长任务和自主工作流设计。
先给结论：如果你用 Claude Code 或 Codex 的时候，最烦的不是模型不够聪明，而是"会话一断、上下文一丢、长任务没人看着"，那本周 GitHub 周榜第一的 prime-agent 值得你花一个下午试。
它 8 月 10 日到 16 日这一周涨了约 1.1 万颗星，累计超过 1.7 万；昨天（8月17日）刚发布 v0.7.3。这个节奏不像过气项目回光返照，像真有开发者在用它干活。
它是什么
项目名称：prime-agent 组织：PrimeIntellect-ai（做分布式算力和强化学习训练的公司） 仓库：https://github.com/PrimeIntellect-ai/prime-agent 许可证：MIT（完全开源） 最新版本：v0.7.3（2026-08-17 发布，修复上下文压缩恢复、daemon 关闭、macOS supervisor 权限等问题） Stars：17,000+（2026-08-18）
官方定义只有一句：自改进的 RLM 编码与研究 Agent，面向通用和长时运行任务。两个核心抽象：
RLM（递归语言模型）：把上下文当成变量（prompt-as-a-variable），把工具和子 Agent 当成函数调用，跑在一个持久化的 IPython REPL 里。翻译成人话：它不像普通 Agent 那样"每轮对话重新构造 prompt"，而是有一个常驻的解释器环境，代码、变量、函数定义都活着。
Continual Harness（持续驾驭层）：把补充提示词、记忆、技能描述、可复用的子 Agent 规格，存成可以持续修改的持久状态。/refine 命令会复盘当前会话轨迹，把有用的经验固化成小步更新——但永远不碰底层的 base system prompt，且每次修改都有快照可以回滚。
这两个设计指向同一个目标：让"一次会话"变成"一个可以不断进化的长期工作环境"。大多数 Agent 是聊天，prime-agent 是工位。
安装
官方只支持 macOS 和 Linux（Windows 原生不支持，见下文"常见坑"）。一键安装：
curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh安装器会下载带版本号的 release、校验 SHA-256、装好 prime-agent 命令，并准备 Agent 依赖的 IPython 运行时。装完在项目目录里直接启动：
cd /path/to/project\nprime-agent首次启动运行 /login，选择订阅或 API Key 方式接入模型（支持 Anthropic、OpenAI 等主流 provider）。
核心命令
prime-agent # 在项目目录启动交互会话\nprime-agent agents # 查看运行中/空闲/已保存的会话\nprime-agent attach <agent> # 重新接入一个后台会话\nprime-agent --resume [path|id] # 从历史会话继续\nprime-agent status # 查看后台服务状态\nprime-agent doctor [--fix] # 诊断并修复后台服务\nprime-agent update # 升级\nprime-agent shutdown # 停掉所有 Agent 和后台服务会话内命令：
/refine— 复盘当前轨迹，把经验固化成 harness 状态（有小步、有证据、可回滚）/goal— 设置跨轮次持续的目标，直到完成、暂停或清除/heartbeat— 周期性回到会话检查进度/autonomous— 有界自主模式：在设定的轮次/token/时间预算内自主推进，可配置质量门rlm(...)— 在会话里直接派生子 Agent，并行或后台执行，结果作为返回值拿回来
三个真正有用的特性
第一，断线继续跑。 daemon 架构意味着终端关了，会话还活着：IPython 状态、定时任务、子 Agent 都在后台继续。你在飞机上合上笔记本，任务在服务器上继续跑——这对长任务（跑评测、批量改代码、定时巡检）是刚需。
第二，Agent 之间直接通信。 运行中的 Agent 可以发现彼此、互发消息、互相编排，不需要经过用户中转。这是从"一个 Agent 干一件事"到"一群 Agent 协作"的关键差异。
第三，技能是可执行代码。 skill 不是提示词文件，是能 import 的 Python 包；内置的 skill 创建器能把重复工作流打包成项目级或个人级技能。这是它比"纯 prompt 技能系统"实在的地方。
常见坑
- 它不是沙箱。 官方警告原话：Agent 以你的用户权限执行模型生成的 Python 和项目命令，worker/kernel 进程只是隔离生命周期，不是安全边界。务必在可回滚的克隆或干净 worktree 里跑，别在自己的主工作区裸奔。
- Windows 装不了。 官方只支持 macOS/Linux。Windows 用户要么 WSL，要么等。
- 要花钱。 没有免费额度，
/login里要么订阅要么挂自己的 API Key。长任务 + 大上下文，token 消耗比普通编码会话高一截。 /refine不等于写完技能。 它固化的经验是"补充状态"，不能替代真正打包、评审过的可执行 skill。官方文档明确区分了这两件事。- 自主模式的质量门只是"门"。
/autonomous里配置的 gate 只验证 gate 覆盖的内容，通过门不等于任务真的成功了——长任务跑完要人工验收。 - 上下文压缩会丢细节。 v0.7.3 刚修复了压缩恢复的一个 bug，但任何自动压缩都有信息损耗，重要结论要主动存进
/goal或 harness 记忆。
适合谁，不适合谁
适合：需要跑跨天任务的开发者（评测、迁移、批量重构）；研究场景里做长时探索的人；已经熟练使用 Claude Code/Codex、想要"会话升级成工作环境"的人；有多 Agent 编排需求的团队。
不适合：只想问单次问题的人（用网页版就好）；Windows 重度用户；对"AI 以我的权限执行代码"接受不了的人；预算敏感的个人开发者——长任务烧 token 是真的烧。
最后说一句结合这两天新闻的判断：DeepSeek 从 8 月 17 日起对 API 实行峰谷定价，空闲时段价格只有高峰的一半。这意味着什么？把长任务、批量任务挪到夜间跑，成本直接砍半。而 prime-agent 这类 daemon 架构的 Agent，恰好是"挂上任务、断线继续、早上验收"的形态。工具特性撞上定价政策，错峰跑长任务会从"省钱的技巧"变成"开发者的默认习惯"。做软件开发和 AI 应用开发的团队，与其抱怨算力涨价，不如先把工作流的调度节奏改过来。