GenericAgent: Neun atomare Werkzeuge, eine Agent-Schleife und ein wachsender Skill-Baum
Selbstentwickelnder Agent: Erweitert den Fähigkeitsbaum aus 3,3K-Linien-Seed und erreicht so die volle Systemkontrolle mit 6x weniger Token-Verbrauch.
Auf einen Blick
- Was ist das?
- Das Python-Framework lsdefine/GenericAgent gibt LLMs Systemsteuerung über Browser, Terminal, Dateisystem und mobile Geräte, kristallisiert erledigte Aufgaben in Skills und bleibt laut README unter einem Kontextfenster von 30K Token.
- Für wen ist es gedacht?
- GenericAgent richtet sich an Nutzer, die einem Sprachmodell tatsächlich Systemsteuerung über einen lokalen Rechner geben wollen und bereit sind, Python 3.11 oder 3.12 mit einer uv-Umgebung einzurichten; ein API-Schlüssel für Claude, Gemini, Kimi oder MiniMax muss in mykey.py eingetragen werden. Ungeeignet ist es für Umgebungen, in denen eine python-fremde Kommandokontrolle unzulässig ist, oder wenn Python 3.14 im Spiel ist, das laut README mit pywebview unvereinbar bleibt.
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 2 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 14. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Rund 3.000 Zeilen Seed-Code statt vorinstallierter Fähigkeiten
GenericAgent versteht sich als minimales, selbstentwickelndes Agent-Framework. Der Kern umfasst laut README etwa 3.000 Zeilen Seed-Code, neun atomare Werkzeuge und eine Agent-Schleife von rund hundert Zeilen. Die Designphilosophie wird als Leitsatz formuliert: keine Fähigkeiten vorladen, sondern sie entstehen lassen. Jedes Mal, wenn der Agent eine neue Aufgabe löst, verdichtet sich der Ausführungspfad automatisch zu einer wiederverwendbaren Skill, sodass mit der Zeit ein persönlicher Skill-Baum wächst.
Die Reichweite ist bewusst weit gefasst: Browser, Terminal, Dateisystem, Tastatur- und Mauseingabe, Bildschirmwahrnehmung und mobile Geräte über ADB. Das Repository lsdefine/GenericAgent zählt über 14.000 Sterne und rund 1.600 Forks, der main-Zweig wurde Ende August 2026 zuletzt gepusht. Ein bemerkenswerter Anspruch steht als Selbst-Bootstrap-Beweis im README: Sämtliche Repository-Inhalte, von der Git-Installation über git init bis zu jeder Commit-Message, seien autonom vom GenericAgent selbst entstanden; der Autor habe nie ein Terminal geöffnet. Eine unabhängige Verifikation dieser Behauptung bietet das Repository nicht.
Die neun Werkzeuge von code_run bis start_long_term_update
Das Werkzeugset ist klein und benannt: code_run führt beliebigen Code in Python oder PowerShell aus, file_read liest Dateien, file_write schreibt und erstellt sie, file_patch modifiziert bestehende Inhalte, web_scan erfasst Webinhalte, web_execute_js steuert das Browserverhalten, ask_user holt Bestätigungen von Menschen ein, update_working_checkpoint dient als kurzfristiger Arbeitszettel und start_long_term_update destilliert Langzeitgedächtnis.
Die Schleife, die diese Werkzeuge orchestriert, liegt in agent_loop.py und umfasst laut README etwa hundert Zeilen. Über code_run kann der Agent darüber hinaus dynamisch neue Fähigkeiten erzeugen: Python-Pakete installieren, Skripte schreiben, externe APIs aufrufen oder Hardware zur Laufzeit steuern und temporäre Abläufe in dauerhafte Werkzeuge überführen. Was das README nicht spezifiziert, sind Fehlersemantik der Werkzeuge, Regeln für gleichzeitige Schreibzugriffe auf dieselbe Datei und das Verhalten bei langlaufenden Prozessen aus code_run.
Fünf Speicherebenen von Meta Rules bis Session Archive
Das Gedächtnissystem ist in fünf Ebenen gegliedert. L0, Meta Rules, hält Kernverhaltensregeln und Systembeschränkungen. L1, der Insight Index, ist ein minimaler Index für schnelles Routing. L2, Global Facts, bewahrt stabiles Wissen aus dem langfristigen Betrieb. L3, Task Skills und SOPs, sammelt wiederverwendbare Abläufe für Aufgabentypen. L4, das Session Archive, archiviert Aufgabenaufzeichnungen abgeschlossener Sitzungen für späteren Abruf.
Der Entwicklungszyklus läuft nach dem Muster: Bei einer neuen Aufgabe erkundet der Agent autonom, installiert Abhängigkeiten, schreibt Skripte, debuggt und verifiziert; danach kristallisiert sich der Ausführungspfad in eine Skill auf der passenden Ebene; bei der nächsten ähnlichen Aufgabe ruft er sie direkt ab. Das README belegt das mit Beispielen wie dem Lesen von WeChat-Nachrichten, einer Hacker-News-Morgenübersicht, Aktienüberwachung und dem Versand einer Datei über Gmail, jeweils gegenübergestellt als Erstaufwand versus späterem Einzeilenaufruf. Kennzahlen zum Skill-Wachstum pro Aufgabe oder zur Stabilität über viele Sitzungen liefert das README nicht; darauf verweist der separate technische Bericht.
TMWebdriver und die Echt-Browser-Sitzung mit Login-Zustand
Die Webwerkzeuge laufen über TMWebdriver, einen lokalen WebSocket-Server samt Chrome-Erweiterung, der eine echte, dauerhafte Chrome- oder Chromium-Sitzung bedient statt einer Wegwerf-Headless-Umgebung. Dadurch bleiben laut README Cookies, Login-Zustand, Erweiterungen sowie GPU- und WebGL-Verhalten erhalten. Als Demo wird ein Szenario beschrieben, in dem während einer Discord-Bot-Konfiguration eine hCaptcha-Herausforderung erscheint und die echte Browser-Sitzung sie passiert.
Das README berichtet Erkennungstest-Ergebnisse in Eigenregie: SannySoft 56 von 56 bestanden, bot.incolumitas.com 36 von 36, BrowserScan meldet normal, FingerprintJS ohne Bot-Urteil, und eine reCAPTCHA-v3-Demo ergab einen menschlichen Score von 0,9. Der Text selbst schärft diese Zahl: 0,9 sei kein gelöstes Puzzle, sondern ein hochkonfidenter menschlicher Wert des Risikomodells. Diese Zahlen sind Selbstberichte ohne Testtranskripte im Repository; die Mechanik der ADB-Mobilsteuerung und der Tastatur- und Mausinjektion wird nur als Fähigkeit benannt, nicht erklärt.
Installation mit uv, mykey.py und der Verzicht auf Playwright und LangChain
Das README verlangt Python 3.11 oder 3.12 und warnt ausdrücklich vor 3.14, das mit pywebview und weiteren Abhängigkeiten unvereinbar sei. Der empfohlene Weg ist das Klonen des Repositorys, dann uv venv und uv pip install -e ".[ui]", anschließend das Kopieren von mykey_template_en.py nach mykey.py zum Eintrag des LLM-API-Schlüssels. Die Abhängigkeiten sind gestuft: Der Kern braucht nur requests, plus vier leichte Pakete für den lokalen Server von TMWebdriver; das [ui]-Extra bringt Streamlit, prompt_toolkit und rich mit.
Explizit nennt das README, was nicht nötig ist: kein Playwright, kein LangChain, keine herunterzuladenden Browser-Binaries. Gestartet wird mit python frontends/tui_v3.py für das empfohlene Terminal-UI oder python launch.pyw für die Streamlit-Web-UI; unter Windows wird bei TUI-Problemen Git Bash empfohlen und pip install -U prompt_toolkit rich genannt. Alternativ existiert ein Einzeilen-Installer für Windows PowerShell und Linux/macOS, der ein eigenständiges Verzeichnis mit isolierter Python-Umgebung und Git anrichtet; das Skript liegt in assets/ und soll vor Ausführung gelesen werden. Für LLM-Agenten hält das README zusätzlich eine curl-Adress auf die Installationsanleitung bereit.
Evaluierungsanspruch, Desktop-Releases und die DintalClaw-Kanalerklärung
Die Evaluierung erfolgt laut README in fünf Dimensionen: Aufgabenabschluss und Token-Effizienz, Werkzeugnutzung, Wirksamkeit des Speichersystems, Selbstentwicklung und Webnutzung. Genannte Benchmarks umfassen SOP-Bench, Lifelong AgentBench, LoCoMo, WebCanvas und BrowseComp-ZH; als Basislinien dienen Claude Code, OpenAI CodeX und OpenClaw, bewertet auf mehreren Modellversionen. Die vollständigen Datensätze liegen im separaten Repository JinyiHan99/GA-Technical-Report. Die Token-Aussage lautet: unter 30K Kontextfenster, ein Bruchteil der 200K bis 1M, die andere Agenten verbrauchen.
Die Release-Historie zeigt Desktop-Portables: v0.1.5 im Juli 2026, v0.1.8 drei Wochen später, desktop-portable-v0.2.0 am 24. August 2026. Das README beginnt mit einer Kanalerklärung: Offiziell sind nur dieses GitHub-Repository und gaagent.ai; DintalClaw ist der einzige autorisierte kommerzielle Partner, alles andere, das den Namen führt, sei nicht offiziell. Der Community-Abschnitt listet vier unabhängige GUI-Projekte, deren Wartung außerhalb des Repos liegt. Die Lizenz ist MIT mit Copyright bei lsdefine, was Nutzung und Modifikation bei erhaltenem Lizenzhinweis erlaubt, ohne Gewährleistung; zu Sicherheitsvorkehrungen für ein Framework mit dieser Systemreichweite sagt weder Lizenz noch README etwas Bindendes.
Redaktionelles Fazit
GenericAgent richtet sich an Nutzer, die einem Sprachmodell tatsächlich Systemsteuerung über einen lokalen Rechner geben wollen und bereit sind, Python 3.11 oder 3.12 mit einer uv-Umgebung einzurichten; ein API-Schlüssel für Claude, Gemini, Kimi oder MiniMax muss in mykey.py eingetragen werden. Ungeeignet ist es für Umgebungen, in denen eine python-fremde Kommandokontrolle unzulässig ist, oder wenn Python 3.14 im Spiel ist, das laut README mit pywebview unvereinbar bleibt. Vor dem produktiven Einsatz sollte man die Kontrollgrenzen des Agents, die Sicherheit des lokalen TMWebdriver-Servers und die Own-Report-Natur der Benchmarkzahlen im GA-Technical-Report prüfen.
Community-Notizen