anyrun：让你的 AI Agent 学会自己成长

Agent 执行失败然后呢大多数框架选择重试直到放弃——没有记录没有分析更没有改进。anyrun 给出的答案不是“更聪明”的 Agent而是“会成长”的 Agent。一个尴尬的现状你的 Agent 调用了一个工具失败了。然后呢重试再重试直到放弃。没有记录没有分析更谈不上改进。下次遇到同样的问题你的 Agent 还是会用同样的错误姿势再摔一次。这不是 Agent 的错是执行层的锅。什么是 anyrunanyrun是一个为 AI Agent 设计的 Docker 沙箱执行引擎。但它不止是一个沙箱。pythonfrom anyrun import Sandbox with Sandbox() as s: result s.run(print(1 1)) print(result.data) # 2\n一行代码安全执行。但这只是开始。anyrun 的独特之处在于它自带一条完整的数据闭环textAgent 执行代码 ↓ Docker 沙箱安全隔离 ↓ 自动采集全量执行轨迹SQLite JSON ↓ 模式发现错误聚类 / 成功路径 / 异常检测 ↓ 经验提取LLM 从模式中提炼 SKILL.md ↓ 自进化beta → prod → decayed → retired 自动修复写一次代码Agent 自动记住怎么用。犯一次错全系统引以为戒。它解决了什么真实问题 问题 1Agent 工具调用的「黑箱」你的 Agent 在沙箱里做了什么成功了吗花了多久谁在什么时候调用了什么anyrun 的TraceStore自动记录每一次执行的完整信息代码、stdout、stderr、错误类型、耗时、session ID。全部结构化存储SQLite JSON可通过 CLI 随时查询bashanyrun traces statstextTotal traces: 104 Successful: 74 (71.2%) Failed: 30 Avg duration: 518.8ms Top errors: ZeroDivisionError: 7x ValueError: 3x 问题 2Agent 永远在重复犯同样的错误同一个ZeroDivisionError出现了 7 次anyrun 的PatternAnalyzer会自动发现这个错误聚类——不需要 LLM纯统计 规则零成本。然后呢经验提取器把模式喂给 LLM自动生成SKILL.mdmarkdown# python-zero-division-guard ## 触发条件 当需要执行除法运算除数可能为零时。 ## 步骤 1. 检查除数是否为零 2. 使用 try/except 包裹 3. 提供 fallback 值或抛出明确异常从乱码数据到可复用的工程知识。Agent 自己学会了。⏳ 问题 3技能会退化环境变了、API 升级了、依赖过期了——你精心打磨的技能慢慢失效。anyrun 的生命周期引擎会自动追踪每个技能的状态beta新技能连续成功 20 次 → 升级为 prodprod正式服役最近 10 次成功率低于 80% → 退化为 decayeddecayed尝试自动修复最多 3 次30 天未恢复 → 退役retired归档不再使用bashanyrun evolution statstextbeta: 1 prod: 0 decayed: 0 retired: 0这就是自进化。你的 Agent 不用你手动维护知识库。技术架构三句话讲清Docker 沙箱— 每个Sandbox.run()在独立容器中执行session 级隔离用完即焚。支持文件持久化和多会话。全量观测— 每次执行自动采集轨迹写入本地 SQLite 索引 JSON 原始数据。~/.anyrun/traces/下可随时回溯。三层智能— 模式发现统计层→ 经验提取LLM 层→ 自进化生命周期层。每层可独立使用也可打通形成闭环。谁应该关注 anyrun正在构建 AI Agent 产品的团队需要一个开箱即用的工具执行沙箱不是玩具是生产级。专注于 Agent 自我改进的研究者anyrun 提供了完整的 trace pattern evolution 基础设施你只需要关注你的 LLM 策略。Hermes Agent 用户anyrun 内置 MCP Server可直接在 Hermes / Claude Desktop 中挂载为工具获得 Docker 沙箱能力。yamlmcp_servers: anyrun: command: python3 args: [-m, anyrun.mcp_server]快速上手bashpip install anyrun-agent docker pull python:3.12-slim写 Agent 工具pythonfrom anyrun import Sandbox with Sandbox() as sandbox: result sandbox.run(print(Hello, anyrun!))看看效果bashanyrun traces stats anyrun patterns analyze anyrun patterns ls当前状态 未来路线Phase 1–3 全部完成。Phase 4——集体学习网络跨 Agent 知识共享——已在路上。Phase 1Docker 沙箱 轨迹 模式 MCP CLIPhase 2经验提取模式 → LLM → SKILL.mdPhase 3自进化闭环升级/退化/修复Phase 4集体学习网络coming soon一句话总结anyrun 不只是让 Agent 安全地执行代码——它让 Agent 从每一次执行中学习知识自动沉淀技能自我进化。不是更聪明的 Agent是会成长的 Agent。GitHub: github.com/appcom2016/anyrun安装:pip install anyrun-agentLicense: MIT