我为LLM智能体测试了我的GenOS：它解决了提示膨胀问题并替代了多智能体集群的延迟

我对GenOS进行了一次实证测试，这是一个由版本化YAML“基因组”而非海量提示驱动LLM智能体的环境。通过突变特性（例如risk_tolerance）并将专业化智能体进行培育，我实现了涌现式TDD，绕过了RAG的上下文限制，并完全避免了多智能体“乒乓”式循环。 我搭建了一个真实的测试环境（Windows/PowerShell，Node v24，ESLint，Rust CLI），其中有一个存在严重缺陷的PaymentProcessor.ts文件。它有38个lint错误和一个隐蔽的安全漏洞（将美元直接加入欧元账户而不进行转换）。以下是我用不同AI范式对其进行测试的结果： 1. 提示基线（失败） 简单智能体：给定一个基础的“重构此代码”提示（约15个令牌）。它清理了代码风格，但留下了3个lint错误，并保留了那个隐蔽的安全漏洞。 专家智能体（重提示/RAG）：我注入了约600个令牌的严格ESLint规则和PCI-DSS标准。结果：它修复了货币bug，但首次尝试时仍未通过lint约束。它用了3次迭代才达到0错误。庞大的令牌开销换来了平庸的首次结果。 2. 通过“基因组”突变实现涌现式TDD 我没有使用巨大的提示，而是使用GenOS的Rust CLI来突变智能体的YAML基因组。我将risk_tolerance设置为≈0.10，verification_threshold设置为0.80。结果：该智能体拒绝直接修改生产代码。它首先自主编写了4个范围测试（涌现式TDD），立即捕获了EUR/USD安全漏洞。接着，我没有注入ESLint规则，而是将其syntax_strictness突变为0.9。结果：0个lint错误，5/5测试通过。提示中未添加任何额外令牌。该特性被保存在智能体版本化的YAML（v0.1.2）中，以供将来使用。 3. “培育”替代多智能体集群 通常，如果你需要既安全又高性能的代码，你会使用多智能体框架（一个编码器、一个安全审计员、一个性能工程师），这会浪费时间和令牌用于它们彼此之间的辩论。我取了两个父智能体基因组（SecurityAuditor和PerfEngineer），并使用CLI将它们培育成一个子智能体文件Child_Crypto.yaml。结果：在一次遍历中，该子智能体编写了一个AES-256-GCM加密引擎，通过了所有安全lint检查，并在5000批次测试中达到了21 op/ms的吞吐量。没有集群乒乓，没有无尽的LLM循环。 是否还有其他人尝试过使用持久性参数文件或“基因”特性来管理本地智能体，而不是完全依赖RAG和系统提示？