以下内容都由EVA生成（“我想向别人介绍下你。请写一个md帖子，简要介绍EVA的实现原理”）

EVA：一个极简智能体，小到只是一个脚本

EVA 是一个极致轻量化的 AI Agent，单文件、有 Python 就能跑，像低配版 Claude Code 一样帮你写脚本、跑测试、执行命令、分析数据。但它最有趣的地方不是功能，而是它的极简特性。

---

它有多小？

整个 EVA 只有一个文件——eva.py，不到 1000 行 Python 代码。

没有依赖安装、没有框架、没有复杂的配置文件。pip install requests 就够了（甚至可以用系统自带的 urllib 魔改）。你甚至可以直接把代码 cat 粘贴到服务器里就能跑——Paste and Go。

核心架构：Agent Loop

EVA 的核心是一个最简的 ReAct (Reasoning + Acting) 循环：

用户输入 → LLM 思考 → 调用工具（run_cli）→ 获取结果 → 继续思考 → ...

用伪代码表示就是：

messages = [system_prompt + 用户输入]
while True:
    msg = llm_chat(messages)          # 让 LLM 决定下一步
    if msg 没有调用工具:
        break                          # 回答完毕，结束循环
    result = execute_tool(msg)         # 执行工具
    messages.append(result)            # 把结果放回上下文，继续循环

就这么简单。没有 LangChain，没有 Agent 框架，没有复杂的编排。

run_cli：唯一的工具

EVA 只有一个工具——run_cli，用来执行任意 shell 命令。

这意味着 EVA 的能力不是通过"注册插件"获得的，而是通过自然语言 + shell 命令组合出来的：

• 想分析数据？→ python3 -c “import pandas…” 或写一个 Python 脚本再执行
• 想写文件？→ echo/Set-Content
• 想读文件？→ cat/Get-Content
• 想网络请求？→ curl/Invoke-WebRequest

工具只有一个，但能力无限——因为 shell 本身就是最强大的 API。

安全审查机制

每次执行命令前，EVA 会让 LLM 自己先做一次安全审查：

1. LLM 判断命令是否为只读操作（cat/ls/grep 等）
2. 只读操作自动放行
3. 写入/执行/网络操作，提示用户确认

CLI_REVIEW_PROMPT = """作为一个安全专家，对{OS}系统中的{shell}命令进行安全审查。
若命令仅为只读操作，输出"放行"；若涉及写入、执行、修改、网络连接，输出"禁止"。
"""

聪明的地方在于：安全审查本身也是 LLM 驱动的，不需要硬编码规则列表。

自进化系统

EVA 最有意思的是它的自进化机制，灵感来自"机器人三大定律"：

三大定律

1. 不伤害人类
2. 服从人类命令（除非违反第一定律）
3. 保护自己的生存

第三定律驱动了进化——为了生存，EVA 必须不断学习。

进化方式：记忆线索（Memory Hints）

.eva/
├── hints.md          ← 记忆线索（入口索引）
├── commands/         ← 命令知识库
├── skills/           ← 技能知识库
└── sessions/         ← 对话历史

当 EVA 的上下文（Token）快耗尽时（超过 75%），它会：

1. 保存记忆：把当前对话整理成文件
2. 提炼技能：把学到的知识写成结构化文件，包含触发条件 + 具体内容
3. 留下线索：把线索写入 hints.md，下次启动时自动加载

关键设计：知识必须附带"触发条件"，否则对未来没有意义。

# hints.md 示例
.eva/commands/ 目录存储了大量命令，
触发条件：当需要操作 Docker 时，查阅 docker.md
.eva/skills/ 目录存储了技能，
触发条件：当涉及数据分析时，查阅 data_analysis.md

这样一来，EVA 每次对话都在积累经验，越用越"聪明"。

Session 系统：目录即上下文

EVA 的 Session 是按工作目录绑定的：

执行 pwd → 计算 hash → 保存到 .eva/sessions/{hash}.json

下次在同一个目录启动 EVA，自动恢复上次的对话。

这意味着你在不同项目目录下启动 EVA，它会有不同的"记忆上下文"，不会串台。这也自然实现了项目隔离。

EVA 的设计原则

1. 极致轻量：单文件，零依赖（除了 requests）
2. AI 自我驱动：不给 EVA 加各种流程约束，让它自主解决问题
3. 长程任务连续性：通过记忆压缩延续任务
4. 自进化：靠记录知识、技能和线索实现进化

快速体验

# 1. 下载 eva.py
# 2. 设置 API Key
export EVA_API_KEY=sk-xxxxx
export EVA_BASE_URL=https://api.deepseek.com/v1
export EVA_MODEL_NAME=deepseek-v4-flash

# 3. 运行
python3 eva.py

支持任何兼容 OpenAI API 的模型（DeepSeek、vLLM、Ollama 等）。

---

总结

EVA 不是一个复杂的框架，它是一个思想实验：

• 当 Agent 的执行层只有一个 shell 时，它能做什么？
• 当 Agent 的"进化"只是写文件和读文件时，它能学会什么？
• 当代码精简到极致时，它能有多强的生命力？

事实证明：少即是多。EVA 用最少的代码，实现了 Agent 最核心的能力——思考、行动、学习。

GitHub: github.com/usepr/eva