Ouroboros 是一个开源的 AI 智能体项目，其核心特性在于能够读取、修改并提交自身的源代码，从而实现自主进化。该项目于 2026 年 2 月启动，在早期测试中，曾在无人工干预的情况下，于 24 小时内完成了 30 多个版本的迭代（从 v4.1 至 v4.25）。

与传统的任务执行型 Agent 不同，Ouroboros 的设计目标是通过 Git 版本控制系统，将自身的代码库作为操作对象，形成“观察 - 思考 - 修改 - 提交”的闭环。

核心技术机制

Ouroboros 的运行依赖于以下几个关键设计：

1. 自我修改循环 (Self-Modification Loop)
   • 智能体通过 LLM 分析当前代码库，识别优化点或新功能需求。
   • 生成代码补丁，并通过 Git 命令直接修改本地文件。
   • 将更改作为 Commit 推送到远程仓库（GitHub），完成一次“进化”。
2. 宪法约束 (BIBLE.md)
   • 项目根目录下的 BIBLE.md 文件充当“宪法”，定义了智能体的行为准则和设计哲学（如“极简主义”、“LLM 优先”）。
   • 智能体在修改代码时必须遵循这些原则，防止逻辑偏离或代码膨胀。
3. 多模型审查 (Multi-Model Review)
   • 在提交代码变更前，系统会调用其他 LLM 模型对生成的代码进行审查，确保语法正确且符合逻辑，降低“自我破坏”的风险。
4. 状态持久化与背景意识
   • 身份持续性：利用 Google Drive 存储状态文件，即使 Colab 运行时重启，智能体也能恢复之前的记忆和任务进度。
   • 背景意识：在无用户指令的空闲时段，智能体会主动运行后台任务（如代码重构、文档更新），而非单纯等待。
5. 任务分解与并行处理
   • 复杂任务会被拆解为子任务，由多个工作进程（Workers）并行处理，提高进化效率。

部署方案

项目提供两种主要部署方式：

• Ouroboros Core：基于 Google Colab (GPU 环境) + Telegram Bot。适合快速验证和低成本运行。
• Ouroboros Desktop：原生 macOS 应用，内置 Web UI 和本地模型支持，适合长期稳定运行。

快速部署步骤 (Colab 版)

1. 准备环境与密钥

• Telegram Bot: 通过 @BotFather 创建机器人并获取 Token。
• API Keys: 准备 OpenRouter (主接口), GitHub (读写权限), 以及可选的 OpenAI/Anthropic Key。
• Colab 设置: 新建 Notebook，设置为 GPU 运行时，并在密钥管理中填入上述变量。

2. 配置与运行
Fork 项目仓库后，在 Colab 中运行以下逻辑：

import os

# 基础配置
CFG = {
    "GITHUB_USER": "你的用户名",
    "GITHUB_REPO": "ouroboros",
    # 模型选择
    "OUROBOROS_MODEL": "anthropic/claude-sonnet-4.6", 
    "OUROBOROS_MODEL_FALLBACK_LIST": "anthropic/claude-sonnet-4.6,google/gemini-3-pro-preview",
    # 资源限制
    "TOTAL_BUDGET": "10.0",  # 美元预算上限
    "OUROBOROS_MAX_WORKERS": "5"
}

# 注入环境变量
for k, v in CFG.items():
    os.environ[k] = str(v)

# 克隆与启动
!git clone https://github.com/joi-lab/ouroboros.git /content/ouroboros_repo
%cd /content/ouroboros_repo
!pip install -q -r requirements.txt
%run colab_bootstrap_shim.py

3. 交互与控制
启动后，通过 Telegram 机器人发送指令：

• /evolve: 触发自主进化流程。
• /status: 查看当前任务队列、活跃进程及预算消耗。
• /panic: 紧急终止所有进程（防止死循环或预算超支）。
• /bg start: 开启后台意识循环。

设计哲学与限制

Ouroboros 遵循一套明确的设计原则，旨在保持系统的可控性与简洁性：

• 极简主义：强制要求整个代码库适配单个上下文窗口，避免无限膨胀。
• LLM 优先：业务逻辑主要由 LLM 动态生成，硬编码仅作为最小传输层。
• 版本控制即进化：每一次有效的代码提交被视为一次进化节点，通过 Git Tag 进行标记。

注意事项：

• 成本控制：由于涉及频繁的 LLM 调用和代码生成，务必设置严格的 TOTAL_BUDGET。
• 安全性：智能体拥有写入自身代码的权限，建议在隔离环境（如 Colab 沙箱或 Docker）中运行，并定期审查 Git 提交记录。
• 稳定性：自主进化可能导致代码引入 Bug，需依赖多模型审查机制和人工监控（通过 /panic 指令）来兜底。