Repolode
Предложить
greyhaven-ai

greyhaven-ai/autocontext

Рекурсивный контур самообучения: запускает задачи агента с оценкой результатов, сохраняет полезные выводы и оставляет для следующих запусков трассировки и плейбуки.

Открыть на GitHub
Звёзды
1,310
Форки
114
Открытые issues
17
Последний коммит
позавчера

Что это?

autocontext — это контур для улучшения агентов при повторных запусках. Вы задаёте цель, он выполняет задачу, оценивает результат по заданной системе оценки, сохраняет сработавшие выводы и отбрасывает тупиковые подходы. Каждый запуск оставляет артефакты в файловой системе: трассировки, оценки по поколениям, отчёты, плейбуки и датасеты, на которые может опираться следующий запуск.

В проект входят Python CLI (autoctx), а также CLI и TUI на TypeScript/Node. Запускать его можно из Pi, MCP-клиентов, например Claude Code и Cursor, или Hermes. Поддерживаются провайдеры моделей Anthropic, OpenAI-совместимые эндпоинты, OpenRouter, Codex и модели на собственном хостинге через vLLM или Ollama. Дополнительно можно обучать локальные модели, чтобы перенести в более дешёвую среду стабильное поведение.

Проект охватывает разные типы сценариев: игры, задачи для агентов, симуляции и расследования. Для изучения результатов доступны команды solve, run, status и show. HTTP- и WebSocket-плоскости управления по умолчанию привязаны к loopback.

Ключевые возможности

  • 01Запускает цель с оценкой результата в несколько итераций и сохраняет полезные выводы.
  • 02Сохраняет трассировки, оценки по поколениям, отчёты и плейбуки в обычных файлах.
  • 03Работает с Anthropic, OpenAI-совместимыми эндпоинтами, OpenRouter, Codex и моделями на собственном хостинге.
  • 04Предоставляет MCP-сервер, чтобы агенты вроде Claude Code и Cursor могли вызывать его инструменты.
  • 05Предлагает Python CLI и CLI на TypeScript с терминальным интерфейсом.
  • 06Позволяет обучать локальную модель на основе стабильного поведения при запусках (Python).

Сценарии использования

  • Постепенно повышать качество ответов службы поддержки, оценивая их по заданным критериям.
  • Проводить повторяющиеся эксперименты с агентами и сохранять проверяемую историю каждой попытки.
  • Управлять агентом из Claude Code или Cursor через MCP-инструменты.
  • Запускать цикл улучшения на моделях с открытыми весами, размещённых на собственном сервере.

Быстрый старт

  1. 1

    Установите Python CLI с помощью uv

    uv tool install autocontext==0.19.1
  2. 2

    Запустите цель с провайдером Pi (используется локальная аутентификация агента)

    AUTOCONTEXT_AGENT_PROVIDER=pi AUTOCONTEXT_PI_COMMAND=pi autoctx solve "improve customer-support replies for billing disputes" --iterations 3

Что важно знать

  • Для полноценных запусков требуется настроенный провайдер агента, например Pi, Anthropic, совместимый с OpenAI или собственный endpoint модели.
  • Некоторые расширенные функции (обучение, эволюция ядра, удалённое выполнение) доступны только в Python или требуют дополнительной настройки.

Темы

#agents#llm#self-improvement#evaluation#mcp#claude-code#python#typescript#ai#autoresearch

Частые вопросы

Что такое autocontext?
Рекурсивный контур самообучения: запускает задачи агента с оценкой результатов, сохраняет полезные выводы и оставляет для следующих запусков трассировки и плейбуки. autocontext — это контур для улучшения агентов при повторных запусках. Вы задаёте цель, он выполняет задачу, оценивает результат по заданной системе оценки, сохраняет сработавшие выводы и отбрасывает тупиковые подходы. Каждый запуск оставляет артефакты в файловой системе: трассировки, оценки по поколениям, отчёты, плейбуки и датасеты, на которые может опираться следующий запуск.
autocontext можно использовать бесплатно? Какая у него лицензия?
autocontext распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
autocontext всё ещё поддерживается?
Активно поддерживается. Последний коммит в autocontext — 21 окт. 2026 г..
Для чего можно использовать autocontext?
Постепенно повышать качество ответов службы поддержки, оценивая их по заданным критериям. Проводить повторяющиеся эксперименты с агентами и сохранять проверяемую историю каждой попытки. Управлять агентом из Claude Code или Cursor через MCP-инструменты. Запускать цикл улучшения на моделях с открытыми весами, размещённых на собственном сервере.
Как установить autocontext?
Установите Python CLI с помощью uv: uv tool install autocontext==0.19.1 Запустите цель с провайдером Pi (используется локальная аутентификация агента): AUTOCONTEXT_AGENT_PROVIDER=pi AUTOCONTEXT_PI_COMMAND=pi autoctx solve "improve customer-support replies for billing disputes" --iterations 3
Где скачать autocontext?
Исходный код и инструкции по установке — на GitHub: https://github.com/greyhaven-ai/autocontext

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты