Raven : un harnais d'agent auto-améliorant avec recherche approfondie optionnelle

Harnais d'agent auto-améliorant

Raven est décrit dans son README comme le harnais d'agent auto-améliorant, construit sur EverOS. Il fonctionne en affinant continuellement les systèmes autour d'un agent : outils, compétences, mémoire, exécution de code, politiques et environnement de travail. EverOS fournit une mémoire utilisateur durable, une mémoire d'agent et une connaissance du monde à travers les sessions, de sorte que les flux de travail réussis peuvent être transformés en modèles d'agent réutilisables et en travailleurs numériques. Le dépôt indique que Raven aide les agents à s'améliorer au fil des exécutions plutôt que seulement au sein d'une seule session.

Installation rapide et première exécution

Le README fournit des installateurs en une ligne pour Linux, macOS et WSL2 utilisant curl, et pour Windows natif utilisant PowerShell. Sur Windows PowerShell 5.1, l'URL courte échoue avec une redirection permanente, donc le README pointe vers l'URL GitHub brute à la place. Après l'installation, ouvrez un nouveau terminal, exécutez `raven onboard` pour configurer les fournisseurs, le sandboxing, les canaux et la mémoire, puis `raven` pour démarrer la TUI. L'installateur gère uv, Python 3.12, Node.js 22 et Raven lui-même. Si la configuration échoue, `raven doctor` diagnostique le problème. Le README liste également les fournisseurs pris en charge : OpenRouter, OpenAI, Anthropic, Gemini, DeepSeek, GitHub Copilot, OpenAI Codex OAuth, MiniMax Global/CN OAuth et les points de terminaison personnalisés compatibles OpenAI.

Mémoire et contrôle du contexte

Les paris produits de Raven incluent un harnais axé sur la mémoire où la mémoire utilisateur, la mémoire d'agent et la connaissance du monde restent séparées et durables. La pile de contexte a un chemin hérité et un chemin Curator ; sous pression, le harnais peut archiver, récupérer et assembler le contexte avec des budgets de jetons explicites au lieu de couper aveuglément les messages les plus anciens. Cela est décrit comme un contexte qui ne s'effondre pas sous pression. Le README compare Raven aux agents typiques basés sur des outils, qui reposent généralement sur un contexte transitoire ou un historique de chat côté fournisseur.

Proactivité, recherche approfondie et traçage

Sentinel surveille les événements, planifie des vérifications, évalue si un coup de pouce est utile et achemine les actions proactives à travers des garde-fous. La recherche approfondie est un outil optionnel soutenu par MiroThinker ; vous l'activez avec `raven deep-research enable`, et l'agent peut alors exécuter des passes de recherche multi-sources lorsqu'une tâche nécessite une enquête plus approfondie. Le README liste également `raven tracing` pour un tableau de bord local qui capture les portées LLM, outils et mémoire.

Évolution des compétences et modèles d'agent

SkillForge traite les compétences comme une mémoire procédurale, détecte les flux de travail réutilisables, écrit des fichiers de compétences, suit les commentaires d'exécution et fait évoluer les instructions lorsqu'elles cessent de fonctionner. Les modèles d'agent permettent aux constructeurs de partir de Raven, de définir un agent pour un scénario et de le partager sans reconstruire la couche de harnais. Le README indique que les agents, modèles, compétences, flux de travail et modules créés avec Raven appartiennent à leurs créateurs et peuvent être utilisés, modifiés, commercialisés et partagés sous licence Apache-2.0.

Architecture et disposition du dépôt

Chaque tour passe par la Spine, qui a une entrée (`submit`), une sortie (`emit`) et des voies par conversation pour l'ordre et l'annulation. Les moteurs de fonctionnalités se branchent sur la boucle d'agent via des passations explicites. La disposition du dépôt comprend `spine/`, `agent/`, `channels/`, `tui_rpc/`, `providers/`, `context_engine/`, `proactive_engine/`, `memory_engine/`, `token_wise/`, `tracing/`, `evolver/`, `sandbox/`, `security/`, `cli/` et `config/`. La TUI est une application React/Ink communiquant avec le runtime Python via un protocole RPC typé. Le README liste 12 adaptateurs de passerelle de messagerie, notamment Telegram, Slack, Discord, WhatsApp, Matrix, Feishu, WeCom, Mochat, QQ, DingTalk, Email et WeChat.

Auto-évolution et statut

L'evolveur exécute une auto-évolution mesurée contre un benchmark, diagnostique les trajectoires échouées, conçoit des correctifs de harnais candidats comme de véritables commits git et ne promeut que ce qui passe les portes statistiques, avec un ensemble de tests scellé pour un nombre de généralisation honnête. Il est exécuté avec `python -m raven.evolver run --config <yaml>` et est entièrement reprenable. Le README marque Raven comme pré-alpha et évoluant rapidement ; les API peuvent changer sans préavis, mais les surfaces de produit de base sont déjà dans le dépôt, y compris la TUI, la CLI, la Spine, la boucle d'agent de base, les fournisseurs, le moteur de contexte, Sentinel, TokenWise, SkillForge, l'outil de recherche approfondie, le tableau de bord de traçage et le pipeline d'évolution. Le moteur d'évaluation est partiel.

Conclusion éditoriale

Raven est en pré-alpha et ses API peuvent changer sans préavis. Les surfaces principales décrites ici sont déjà dans le dépôt, et le projet est ouvert aux contributions sous licence Apache-2.0. Le README pointe vers CONTRIBUTING.md, docs/dev.md et AGENTS.md pour le flux de travail des développeurs et les règles de PR.

Sources officielles

1. Official documentation
2. Official README
3. Project repository
4. Release notes