狂潮九十天

README 文件不长。在 2023 年 3 月 30 日那个版本里，它只有几段英文，一张演示动图，一个快速开始指南。文件顶部的描述直截了当：AutoGPT 是一个实验性开源应用程序，展示了 GPT-4 语言模型的能力。它由 GPT-4 驱动，将大语言模型的思想链接在一起，自主地实现你设定的任何目标。然后是一段命令行录制。界面里，程序首先输出自己的名字、版本号、用户设定的目标，然后开始调用搜索引擎、读写本地文件、评估每一步的结果，并在每轮执行后生成新的下一步计划。动图结束时，它已经产出了一份结构完整的研究文档。

发布者是 Toran Bruce Richards，一名在微软工作的开发者。他的 GitHub 个人页面当时没有任何机构归属，只列出了这个仓库。AutoGPT 的代码托管在他个人账户下，没有公司背书，没有团队公告，没有产品发布页面。

它只是一个公开的 Python 项目，任何人克隆下来，填入 OpenAI API 密钥，就可以在自己的终端里运行。正是在终端里运行这个动作，让一切变得不同。AutoGPT 的核心架构是一个 while 循环。循环的输入是用户用自然语言描述的一个目标，循环体依次执行四个步骤：调用 GPT-4 将目标分解为一系列任务并生成执行计划；通过 API 调用外部工具——搜索引擎、网页抓取、文件读写、代码执行；检查工具返回的结果；评估当前状态是否满足目标，若不满足则修正计划并进入下一轮迭代。循环退出条件有两个：模型自己判断目标已完成，或者达到预设的最大迭代次数。

这个循环里的每一个组件都不是原创。ReAct 论文在 2022 年 10 月已经论证了推理-行动循环的有效性，LangChain 在同月开源了工具调用和链式编排的框架，提示词工程从 GPT-3 开放 API 以来就是开发者社区的核心实践。

AutoGPT 没有提出新的算法，没有发表论文，没有改进模型架构。它做的是把三样东西——循环、工具调用、提示词——打包进一个开箱即用的脚本，让任何在.env 文件里填好 API 密钥的人，都能在自己的屏幕上观看一个 AI 自主工作的完整过程。这是缰绳层第一次被完全可视化。在此之前，开发者用 LangChain 构建的链条运行在后台，输出是文本或 API 响应，过程不可见。OpenAI 的 ChatGPT 插件体系虽然让模型能调用工具，但每次调用都需要用户在聊天界面里点确认，调用过程是离散的、单步的，用户看不到一个连续自主的智能体在运行的画面。

AutoGPT 改变了这一点。当用户敲下 python -m autogpt 之后，终端开始滚屏。第一行是程序自己生成的内部推理文字，接着是搜索调用、结果解析、文件写入、自我评估，然后再次循环。整个过程实时可见，每一步都留下了日志。

这种可见性带来的叙事力量，超过了 AutoGPT 在任何具体任务上的实际成功率。2023 年 4 月初，Twitter 上开始出现 AutoGPT 的演示截图和录屏。用户们分享的不是它产出了什么惊人的工作成果，而是它在运行过程中的行为：它如何自己写下搜索策略调整的理由，如何在遇到 API 错误时自动重试，如何在文件写入失败后检查磁盘空间，如何在没有人类提示的情况下打开浏览器搜索自己不理解的概念。这些行为让“AI 自主性”从一个抽象概念变成了可以观察的现象。

在滚屏的终端日志里，一个智能体在“工作”的感觉是真实的，即使它产出的报告质量远不如人类花十分钟手动搜索的结果。这种真实感驱动了 AutoGPT 的 GitHub 星标增长。发布后第一周，约两万颗星标。第二周，翻倍。第四周，突破五万。到 2023 年 5 月中旬，第七周，十万。这是 GitHub 历史上增长最快的开源项目之一。

没有任何市场营销预算，没有官方发布活动，前两周甚至没有主流科技媒体的报道。传播完全依靠开发者在社交媒体上分享自己的运行截图，以及那些截图所传递的惊奇感。惊奇的核心句式是同一句话：“它自己在做。”不是“它完成了什么”，而是“它自己在做”。

这种表述的微妙之处在于，它关注的是任务的执行过程而非产出质量。在人类历史上，人们第一次看到一段代码在没有人类逐步骤指令的情况下，自行分解目标、规划步骤、调用工具、检查结果、修正方向。它的每一步都粗糙、低效、不稳定，但它确实在“自己”运行。这个区别决定了 AutoGPT 的叙事定位。

它不是一个生产力工具——几乎没有人用它来真正完成需要可靠性的工作。它是一个概念验证，一个让“智能体自主性”变得可见的装置。它的价值不在于解决实际问题，而在于证明一种可能性:AI 可以不仅仅是回答问题的神谕，还可以是执行任务的工人。当这个概念被证明之后，整个行业的目光都转向了同一个方向。

2023 年 4 月到 5 月，AutoGPT 的周边生态以惊人的速度膨胀。GitHub 上出现了大量基于相同架构的衍生项目:BabyAGI、AgentGPT、GodMode、LoopGPT。它们的名字各异，但核心逻辑高度一致——接收目标、分解任务、调用工具、循环执行。区别在于包装方式：有的提供 Web 界面，有的优化提示词模板，有的增加记忆模块，有的集成更多 API 工具。

当一个核心架构在数周内催生出十几个独立实现时，说明这个架构触碰到了某种真实的需求。AutoGPT 的代码质量并不高——主循环中充斥着硬编码的条件判断、不稳定的 JSON 解析、对 API 返回格式的脆弱假设——但它的架构思想是清晰的。那些衍生项目不是在修复 AutoGPT 的 bug，而是在重新实现它的核心逻辑，用更稳定的代码、更清晰的模块、更好的用户体验。到了 5 月，AutoGPT 的仓库已经积累了超过五万个 issue 和 pull request。

社区贡献者来自全球各地，在 issue 区讨论提示词优化、内存管理、API 配额控制、错误恢复策略。这些讨论的深度和广度，在 2023 年春天构成了一场关于智能体架构的全球性头脑风暴。

但风暴的中心很快开始出现裂缝。裂缝的第一条征兆出现在 issue 区。从 4 月下旬开始，越来越多的用户报告同一个问题:AutoGPT 会陷入“无尽循环”。程序在执行某个任务时，反复生成相同的搜索关键词，反复访问相同的网页，反复写入相同的内容，但无法判断自己已经完成了这个子任务，于是继续循环，直到耗尽用户设定的 token 预算或最大迭代次数。

一个典型的抱怨帖描述了这样的场景：用户让它研究最好的投影仪并制作对比表格。它花了四十分钟，消耗了大约十二美元的 API 费用，然后给出一个包含三款投影仪的表格——其中两款已经停产，第三款的价格是错误的。

更糟糕的是，它在这四十分钟里反复搜索了多次“2023 年最佳投影仪”，每次返回的结果几乎一样，但每次它都当作新的信息重新处理。这是地面真值定律在缰绳层历史上的第一次大规模商业级杀伤。

AutoGPT 的循环是目标驱动的。它接收一个语义目标，将其分解为语义子目标，然后调用工具来满足这些语义条件。它判断“任务是否完成”的依据，不是外部可验证的信号，而是它自己对当前状态与目标状态之间语义距离的评估。当它搜索某个产品时，它无法验证自己找到的价格是否真实、型号是否在售、评测是否来自可信来源。它只能判断：我找到了一些看起来像评测文章的网页，从中提取了看起来像价格和型号的数字，把它们整理成了看起来像报告的文件，因此任务完成了。

这种判断在封闭、可验证的领域是可以工作的。代码能不能编译、测试能不能通过，这些是模型无法伪造的信号。但在开放的信息检索和内容生成任务中，没有这样的信号。模型自己生成的内容看起来像真的，对它自己来说就是真的满足了条件。

这就是“地面真值”的含义：一个外部于模型、独立于模型判断的验证机制。在编程中，编译器是地面真值。在数学中，证明验证器是地面真值。但在“研究最好的产品”这个任务中，没有一个独立于模型判断的机制可以告诉它：你找到的价格是错的，你引用的评测网站是 AI 生成的垃圾内容，你做的表格毫无价值。AutoGPT 的循环依赖的是模型自己对“任务完成”的判断，而这个判断在缺乏地面真值的领域，本质上是一个幻觉检测器——它只能检测到自己的输出是否符合自己的语义预期，但无法检测到自己的输出是否符合外部世界的事实。

这个缺陷在 AutoGPT 的架构中是结构性的。它的循环机制是一个 while 循环，循环条件是一个布尔值：任务是否完成。这个布尔值来自模型自己的一次推理调用。在每一次迭代中，模型需要评估当前状态，判断是否已经满足目标。但模型本身没有能力访问外部世界的真实状态——它只能访问自己之前生成的文本、工具调用返回的文本，以及这些文本在语义空间中的表示。

当目标是一个可验证的约束时，循环可以终止在一个有意义的状态。但当目标是一个语义描述时，循环终止的条件是模糊的、主观的、可被模型自我欺骗的。这意味着，AutoGPT 在社交媒体上展示的那些令人屏息的自主行为——自己搜索、自己判断、自己修正——在实际任务中，每一次迭代都在积累偏离。第一次搜索返回了不准确的信息，模型无法识别。基于这些信息生成的子任务，方向本身就是错误的。继续搜索只是在错误的路径上深入。最终的输出读起来流畅、结构完整，但内容与真实世界之间的差距，可能大到让整个任务毫无价值。

这个问题的严重性，与任务对地面真值的依赖程度成正比。越是在开放、模糊、需要外部验证的领域，AutoGPT 的表现就越接近“昂贵的随机游走”——一个有 API 访问权限的随机过程，在互联网上漫游，消耗 token，生成看起来像那么回事的结果。到了 2023 年初夏，这股热潮开始冷却。

GitHub 星标增长曲线快速放缓，从鼎盛期的每天数千颗星标，降到每天几百颗。issue 区里，抱怨和求助的帖子数量开始超过演示和赞扬的帖子。用户之间的讨论从“它能做什么”转向了“它为什么做不好”。

社区开始分裂。分裂的核心不是 AutoGPT 是否有用——这个问题在 4 月底就已经有了答案：它在实际任务中的成功率很低，token 消耗很高，大多数用户运行几次后就放弃了。分裂的核心是另一个问题:AutoGPT 究竟是失败还是先驱。

一派人认为，AutoGPT 是一个被过度炒作的玩具。它的代码质量差，架构粗糙，在真实任务中几乎没有可用性。它的成功完全来自社交媒体的病毒式传播，而这种传播基于的是观看 AI 自主运行的惊奇感，而非任何实际生产力提升。这一派人认为，AutoGPT 的狂潮是 AI 泡沫的典型症状：技术演示被误认为产品能力，过程被误认为结果，可能性被误认为现实。

另一派人承认 AutoGPT 本身不是一个可用的产品，但认为它证明了一个至关重要的方向：循环自主架构是通往 AI 智能体的正确道路。它的问题不在于循环本身，而在于循环中缺乏有效的验证机制。如果能解决地面真值的问题——比如在编程、数据分析、自动化测试等可验证的领域应用——这个架构就能产生真正的生产力。

第二派人中，有些人开始将 AutoGPT 与 LangChain 进行对比。LangChain 的抽象层次更高，代码质量更好，但它在 2023 年春天还没有提供 AutoGPT 所展示的那种“开箱即用”的自主循环体验。AutoGPT 的粗糙让它更容易被理解、被修改、被 fork。正是这种粗糙，让它的核心思想在数周内被全球开发者吸收。这是一个典型的开源社区动力学：一个粗糙但清晰的项目，比一个精致但复杂的项目更容易催生生态。AutoGPT 的代码是脆弱的，但它的架构思想是清晰的。

任何有 Python 经验的开发者，花一个下午阅读它的源码，就能理解它的核心循环，然后开始在自己的项目里重新实现它。这就是为什么在 AutoGPT 发布后的几周内，出现了如此多的衍生项目——不是因为 AutoGPT 的代码好，而是因为它的思想容易被复制。这种思想的传播速度，与它的实际工程价值形成了鲜明对比。

AutoGPT 作为一个产品是失败的，但作为一个概念验证是极其成功的。它用九十天的时间，走完了从技术演示到用户预期崩溃的完整周期，而这个周期在正常的产品开发节奏中可能需要两年甚至更长。

2023 年 6 月，AutoGPT 的 GitHub 仓库仍然活跃，但热度的峰值已经过去。社区贡献者开始转向更具体的应用场景：有人将它改造成代码审查助手，有人将它集成到数据分析流程中，有人用它来自动化测试。

这些场景有一个共同点：它们都有可验证的反馈机制。代码审查有 lint 工具和测试覆盖率，数据分析有统计检验，自动化测试有红绿结果。

这种转向是自发的、分布式的，没有中心规划。开发者们用自己的时间和 API 预算，在经验中学习到同一个教训：只有在反馈可验证的领域，自主循环才值得它的 token 开销。

现在回头看那九十天，AutoGPT 的历史功能是清晰的。它用一次公开的、大规模的、自发的压力测试，揭示了缰绳层在当时技术条件下的真实能力边界。边界之内是地面真值——可编译、可测试、可审计的外部验证。边界之外是昂贵的随机游走——看起来像工作，但实际上没有产出真实价值。这个边界的划定，直接决定了下一阶段的投资和创新方向。

在 AutoGPT 热潮之后，行业不再问“AI 能自主做什么”，而是开始问“AI 在哪些领域能获得可靠的外部反馈”。编程是第一个答案，因为编译器、测试套件、lint 工具、CI/CD 流水线已经提供了丰富的地面真值。

数据分析是第二个答案，因为统计检验和数据可视化可以让错误变得可见。自动化测试是第三个答案，因为通过的测试和失败的测试泾渭分明。

通用助理——订票、购物、信息检索——被推向了更远的未来。不是因为这些任务不需要 AI，而是因为这些任务的地面真值太昂贵：要验证一个订票智能体是否真的订到了正确的航班、正确的日期、正确的价格，需要人类一一核对。没有地面真值的循环，在这些领域里只是一台 token 燃烧机。

AutoGPT 的九天使缰绳层从一个概念变成了一个行业。在此之前，智能体的自主循环是学术论文里的公式和框架文档里的抽象概念。在此之后，它是一个被数十万开发者运行过、测试过、抱怨过、fork 过的实际代码库。它的失败和它的成功一样有价值，因为它用失败精确地标定了下一个战场的位置。

这个位置就是编程。编程有地面真值。编译器不会撒谎，测试不会通融，类型检查器不会疲劳。在编程领域，智能体的每一次循环都有明确的成败判定。这意味着，循环可以高效地收敛，而不是在语义空间中漫无目的地游走。

AutoGPT 自己并没有能力占领这个战场。它的代码太粗糙，它的架构太通用，它的提示词太脆弱。

但它的九十天狂潮，让整个行业看到了一个清晰的图景：谁能为智能体提供可靠的地面真值接口，谁就能在编程这个杀手场景中占据先机。

这个图景，在 2023 年夏天，已经从多个方向开始被验证。GitHub Copilot X 正在测试基于 GPT-4 的代码审查功能。Cursor 编辑器正在用 AI 重写 IDE 的交互模式。而 LangChain 正在加速将框架从“调用模型”的抽象升级为“编排智能体”的抽象。

三方都在向同一个目标移动，但路径不同。Copilot X 是模型厂直接下场，将智能体能力嵌入开发者最常用的平台。Cursor 是新的 IDE 厂商，从用户体验层重新定义 AI 与代码的关系。LangChain 是框架层，试图在模型和应用之间建立一个标准化的编排层。AutoGPT 的热潮，给这三方都提供了一个重要的市场信号：开发者愿意为 AI 自主工作付费——不是为“AI 替他们工作”，而是为“AI 在他们监督下自己工作”。

当 GitHub 星标曲线在 2023 年 6 月趋于平缓时，Toran Bruce Richards 的处境变得微妙。他不是学者，没有论文需要捍卫；不是创业者，没有投资人需要交代；不是大型科技公司的产品经理，没有路线图需要维护。他只是一个在微软工作的开发者，利用业余时间写了一个 Python 脚本，把它扔到 GitHub 上，然后看着它以自己无法控制的方式爆炸性传播。

在接受少数几次技术社区访谈时，他的措辞谨慎而克制——这不是一个产品，这是一个实验；这不是在解决实际问题，这是在展示可能性。但这种克制在狂潮中几乎听不见。

社交媒体上传播的 AutoGPT 叙事已经脱离了他的控制，变成了“AI 能自己开公司”“AI 能自己赚钱”“AI 能取代初级员工”。每次有用户贴出 AutoGPT 生成的四页商业计划书，评论区都在讨论那家“AI 公司”的估值，而不是计划书里有多少虚构的数字。

这种叙事失控是 AutoGPT 现象的重要组成部分。Richards 发布的是一段循环代码，但公众接收到的是一段关于自主性的影像。终端滚屏的日志、动图里自动生成的文件名、截图里模型自己写的“我接下来要搜索”的语句——这些视觉元素比任何技术白皮书都更有效地传递了“它在自己工作”的感觉。而感觉一旦形成，就会脱离技术事实独立运行。

当用户发现这种感觉在实际任务中无法兑现时，失望不是指向技术细节，而是指向感觉本身。那种“我被骗了”的情绪，在 issue 区和社交媒体上反复出现，尽管 Richards 从未承诺过任何超出代码本身的功能。

这是开源项目在社交媒体时代面临的一种新型困境：项目的实际能力由代码定义，但项目的公众认知由传播最广的截图和动图定义。当两个定义之间的差距足够大时，项目本身会成为两种叙事——技术叙事和公众叙事——之间的战场。AutoGPT 在 2023 年春天就是这个战场。

在社区分裂的那段时间里，争论的激烈程度往往与讨论者的技术深度成反比。最了解 AutoGPT 架构缺陷的人——那些能读懂主循环源码、能指出 JSON 解析漏洞、能解释为什么模型在无地面真值条件下会自我欺骗的开发者——往往是最早意识到它的边界的人。他们不会说 AutoGPT 是骗局，也不会说它是革命。他们会说它是一个特定架构在特定条件下的一次公开实验，实验结果已经出来了。

而那些在 Twitter 上激烈争论 AutoGPT 是“AI 泡沫”还是“AI 未来”的人，很多时候并没有运行过哪怕一次代码。他们争论的不是 AutoGPT，而是 AutoGPT 的截图所代表的关于 AI 的想象。

这种信息不对称是缰绳层历史上反复出现的模式：技术基础设施的每一次进步，都会在公众领域产生一个比技术本身膨胀得多的叙事气泡。气泡破裂时，技术本身还在，但公众注意力已经转向下一个气泡。AutoGPT 的气泡在 2023 年 6 月破裂，但它的代码还在，它的 issue 区还在，它催生的那些衍生项目还在。

从代码层面看，AutoGPT 留下的遗产比它的星标数更有意义。在发布后的三个月里，社区贡献者提交的 pull request 覆盖了几乎所有关键的架构改进方向。

有人重写了记忆管理模块，让智能体在长任务中能更有效地检索之前获取的信息，而不是每次循环都重新搜索。有人引入了向量数据库，让智能体能够将任务执行过程中的中间结果嵌入到可检索的语义空间中，部分缓解了“重复搜索相同内容”的问题。有人优化了提示词模板，在模型自我评估环节加入了更严格的条件判断，要求模型在宣布“任务完成”之前必须明确列出完成依据。有人增加了成本追踪模块，让用户在运行时能实时看到 token 消耗和 API 费用估算，从而在脚本陷入无尽循环时更快地手动终止。

这些改进本身是有价值的，但它们都无法解决一个根本问题：只要循环终止的判断依赖于模型自己的语义评估，而不是外部可验证的信号，地面真值缺失所导致的偏离就会在每一次迭代中积累。

向量数据库减少了对相同网页的重复访问，但无法验证那些网页上的信息是否真实。更好的提示词让模型在宣布完成时更谨慎，但无法让模型知道它找到的价格已经过时了六个月。

这个区别是关键的。开发者不信任 AI 的自主性，但他们愿意在可验证的领域里测试这种自主性的边界。这意味着，谁能在编程领域提供最可靠的地面真值循环，谁就能在下一阶段的竞争中占据优势。

这个竞争不是模型的竞争——模型是 GPT-4，是 Claude，是开源模型——而是缰绳层的竞争：谁能在模型之上，构建一个让自主性变得可验证、可信任、可控制的系统。AutoGPT 证明了自主性的可能性，同时也暴露了自主性的致命缺陷。它的九十天，是整个缰绳层历史上第一次大规模的公开实验。实验的结果是明确的：没有地面真值的循环不是解决方案，而是问题本身。

2023 年 6 月，AutoGPT 的星标数停在了一个让后来者难以企及的数字上，但它的仓库逐渐安静下来。那些曾经每天涌入数千颗星标的日子过去了，留下的是一个被充分测试过的结论和一个被精确标定过的战场。Toran Bruce Richards 在接下来的几个月里继续维护着这个项目，但它的历史使命已经完成。

它不是一个产品，不是一个公司，甚至不是一个成熟的工具。它是一颗信号弹，在 2023 年春天的夜空中燃烧了九十天，照亮了整个缰绳层的版图，让所有人都看到了地面真值定律刻在地面上的那道线。线的这边，是可验证的领域，等待被智能体占领。线的那边，是语义的海洋，任何试图在没有地面真值的情况下运行的自主循环，都将被无尽的随机游走耗尽 token 和耐心。