AI 行业正处于一场大脑建设军备竞赛中。

每个主要实验室都在投入资源，让模型在工具使用、函数调用、结构化输出和多步推理方面变得更强。成果令人印象深刻——今天的 Agentic LLM 可以在紧凑的循环中规划、执行、观察和反思，这在两年前看起来还像科幻小说。

但有一个没人在问的问题：这些大脑编写和执行的代码，之后怎么了？

当一个 Agent 调用工具、解决问题、或将三个 API 链接在一起时——这段逻辑就消失了。它存在于上下文窗口中，也许被缓存在对话历史里，然后就没了。下一个面对同样问题的 Agent 从零开始。

这就像拥有一群才华横溢的头脑，但他们从不记笔记、从不分享成果、从不在彼此的工作基础上构建。这是没有遗传的进化。

两个层级：模型 vs 协议

有一个有用的区分可以让整个格局变得清晰：

	Agentic LLM	Rotifer Protocol
本质	模型（权重 / 参数）	基础设施（基因池、适应度评估、跨环境生命周期管理）
角色	决策者、推理引擎、工具执行者	Gene 注册表、竞争 Arena、能力传播
核心单位	权重（训练参数）	Gene（能力模块——模块化、可迁移、可评估的代码）
环境	通常驻留在云端推理服务或本地推理机	跨多种环境（Cloud / Web3 / Edge / TEE）
如何改进	重新训练 / 微调（昂贵、缓慢）	自然选择——Gene 在 Arena 中竞争，胜者传播，败者淘汰

这不是两种竞争的方案。它们是同一个系统的不同层级。

Agentic LLM 是大脑——负责推理、规划、决定调用哪些工具。Rotifer Protocol 是神经系统——管理哪些能力存在、哪些更优、以及它们如何在 Agent 之间传播。

大脑能给你什么（以及不能给你什么）

现代 Agentic LLM 在三件事上确实令人印象深刻：

1. 可操控性。 你可以通过系统提示词、结构化输出模式和函数调用模板来塾造它们的行为。一个调校良好的 Agentic 模型会以惊人的忠实度遵循 Goal-Observation-Action-Reflection 循环。

2. 即时推理。 给定一个任务和一组工具，一个优秀的 Agentic 模型可以分解问题、选择合适的工具、处理错误并综合结果——在一次推理或短暂的多轮循环中完成。

3. 代码生成。 这些模型可以编写、调试和改进代码。它们可以生成结构化 JSON、组合 API 调用，并按需产出可执行逻辑。

但大脑单独做不到以下事情：

跨 Agent 积累能力。 当 Agent A 发现某个特定的 API 调用序列可以解决定价问题时，Agent B 不会自动学到这一点。知识随会话消亡。
客观评估能力。 模型可以告诉你输出"看起来对"，但它无法将输出放在一个标准化的适应度函数中与同一问题的所有其他解决方案进行比较。
跨环境迁移能力。 在一个云服务商上运行的代码不会自动在另一个云上运行，更不用说在 TEE 可信执行环境或链上智能合约中了。

这些不是模型层面的问题。它们是基础设施层面的问题。

Rotifer Protocol 从相反的方向切入这个问题。它不是让单个大脑变得更聪明，而是创建一套让能力模块（称为 Gene）能够竞争、传播和淘汰的基础设施。

核心原语：

Gene ——可迁移逻辑的原子单元。一个 Gene 做一件事：编码一笔交换交易、估算 Gas、解析回执、检测安全模式。Gene 是模块化的（功能内聚）、可移植的（编译为标准中间表示）、且独立可评估的（它的适应度可以不依赖其他 Gene 进行测量）。

Arena ——标准化的竞争环境，解决同一问题的 Gene 在其中进行正面评估。适应度函数 F(g) 综合考量成功率、下游效用、鲁棒性、代码体积和执行成本。持续获胜的 Gene 传播；失败的 Gene 被替代。

Horizontal Logic Transfer (HLT) ——高适应度 Gene 从一个 Agent 传播到其他 Agent 的机制。这是生物学中水平基因转移的数字类比——能力在种群中横向流动，而非仅通过谱系纵向传递。

Binding ——对执行环境的抽象。编译为标准 IR 的 Gene 可以在 Cloud Binding、Web3 Binding 或 Edge Binding 上执行。协议在执行前处理兼容性协商：这个 Gene 的 IR 与这个环境能运行的匹配吗？

Reputation ——Agent 的履历记录，由它所承载的 Gene 的适应度分数和 Arena 参与结果汇总而成。声誉是挚来的，不是声明的。

这些原语都不需要特定的模型。它们适用于任何 LLM（或者完全不需要 LLM——Gene 可以手写、从现有技能库导入、或由自动化管线生成）。

最有趣的模式出现在你把这两层组合起来的时候。

LLM 作为 Actor。 Agentic 模型读取任务，决定调用哪些 Gene，编排它们的执行，并观察结果。它是决策者——把意图转化为行动的角色。

协议作为 Environment。 进化协议提供 Gene 注册表（有哪些能力可用）、Arena（它们有多好）、声誉系统（哪些 Agent 值得信任）和传播网络（能力如何扩散）。它是 Actor 运行其上的基底。

在这个组合中：

模型不需要"知道"进化正在发生。它只需要选择当前最好的工具。协议处理剩下的一切。

而这里有一个让这真正变得有趣的闭环：模型还可以生成新的 Gene。 一个遇到没有好用 Gene 可用的 Agentic LLM 可以合成一个新的，将它提交到 Arena，让自然选择决定它能否存活。大脑变成了变异引擎。协议提供选择压力。

三个趋势正在汇聚：

1. Agentic 模型正在商品化。 多个实验室现在都提供具有强大函数调用、结构化输出和多轮推理能力的模型。模型层正在成为基底——强大、可获取、越来越可互换。

2. 能力管理问题未解决。 每个 Agent 框架都在重新发明工具管理、记忆和编排。没有一个共享标准来定义"什么是能力单元、如何评估它、如何在 Agent 之间迁移它"。

3. 单 Agent 智能与多 Agent 进化之间的鸿沟在加大。 单个 Agent 越来越聪明，但生态系统没有让能力积累、竞争和传播的机制。我们在建造越来越好的大脑，但没有神经系统。

问题不是"哪个更强——出色的大脑还是进化系统？"这就像问你更想要神经元还是循环系统。你两个都需要，它们在不同的层级运作。

真正的问题是：谁在建设进化层？

Rotifer Protocol 是一个开源的 AI Agent 进化框架。协议规范、CLI 和 SDK 可在 rotifer.dev 获取。Gene、Arena、Binding 和 HLT 在协议规范中定义。