大家好，我是二哥呀。
对于我来说，手头最好用的两个 Agent 产品，一个是 Codex，另外一个是 Claude Code。
但对于很多小伙伴来说，这两个门槛都有点高，所以群里每天都有人讨论，今天试这个 Agent，明天测那个 Agent。
我也尝试过很多其他的 Agent 产品，今天要给大家特别推荐一下 EvoX。
界面非常简洁，是我喜欢的极客风。
有一说一，EvoX 和之前用的 Agent 产品确实不一样。一群 AI 自己拆任务、分头干、把结果汇总起来，EvoMap 团队管这个叫「蜂群模式」。
不是开更多 Agent，而是把任务拆得更细，降低单次任务的复杂度；同时每个 Agent 只专注于自己的事情，避免上下文污染。
还有一个「联网自进化」机制，每个 Agent 可以继承 EvoMap 网络上其他 Agent 积累的经验，相当于天生给你 clone 了一个学霸型选手。
并且注册就能用，不需要邀请码。内置的模型有 DeepSeek V4 和 Kimi K3，嗯，Beta 版本刚上线，免费直接用，我只能说现在的产品人，真的是贴心，服务意识拉满😄。
当然，如果你有 API Key 的话，也可以直接配。
我给他分别配置了 DeepSeek V4 Flash、 GLM-5.2、Qwen3.8 Max。在同等 Harness 架构和任务情况下，最终的交付产物远超我的预期。
并且的并且，聪明的你也可以直接使用他们内置的海外顶级模型，比如说 Opus 4.8 和 GPT-5.6 Sol 等。
Mac 和 Windows 都有，8 月 9 日刚上线 beta 版，全新的产品。
01、EvoX 初体验
EvoX 把能力分成了三个方向。
Chat 是问答和调研，偏好结构化输出，回答会自动整理成表格和图表。
Cowork 面向办公场景的协作交付，比如总结会议纪要、整理文档、连通海内外 IM 自动汇总信息，还能自动执行长时间的任务流程，把人从重复劳动里解放出来。
Code 是开发场景，读工程、改代码、跑测试。
对于 Agent 的初始化来说，我最在意的是模型配置。
如果你之前注册过 EvoMap，后台还可以选择自带的模型，支持 DeepSeek V4 Flash、Opus 4.8、GLM-5.2、GPT-5.6 Sol 等。
每个用户只要注册了就能领取体验金。
当然也支持配置我们自己的 DeepSeek V4 Flash、GLM-5.2、Qwen3.8 Max 和本地模型等。
配置过程很简单。
进入设置，选择AI服务。
添加服务，选择其他服务，选择DeepSeek。
填写API key，点击【测试并保存】就可以了。
02、Chat 实测
配好 DeepSeek V4 Flash，先拿 Chat 模式练练手。
新建会话，输入提示词：
帮我设计一个 AI 风格预设。主题：【程序员，喜欢写AI层面的测评内容】。请围绕主题写出「命名风格」和「语气风格」两段指令，并用风格预设卡片给我确认保存。
模型就选刚刚我们配置的DeepSeek V4 Flash。
展开卡片，就可以看到命名风格和语气风格。
然后在设置中选择个性化，然后点击【新建风格】。
把刚刚的命名风格和语气风格复制粘贴到这里。
EvoX 往后的行为习惯就会更符合我们的个人诉求。
回答速度也很流畅。
DeepSeek V4 Flash 本身就快，在 EvoX 里的响应体验非常不错，基本上问题发出去就开始出内容了。
Chat 模式整体体验还不错，和其他聊天工具相比，结构化输出是个明显的加分项。
比如说我想让 EvoX 帮我给我的开源项目 PaiCLI Agent 设计性能基准测试。
结构化可视化面板就一目了然，五个板块（指标 / 场景 / 流程 / 评分 / 交付清单）点标签切换，评分模型还带了个可调的权重计算器，比一般的文本回复，真的舒服多了。
但 Chat 只是 EvoX 的基础能力。最让我觉得有意思的，是接下来要聊的蜂群模式。
03、蜂群模式
不知道大家有没有遇到，反正我碰到不止一次。
上下文越来越长，前面的推理结果开始干扰后面的判断。搜完 A 方向再搜 B 方向，搜到 B 的时候 A 的关键结论已经被稀释了。
导致即便是主 Agent+子 Agent 这种组织结构，也很容易在最后子 Agent 汇报给主 Agent的时候丢失信息。
聪明你的应该知道，蚂蚁是一群非常厉害的群居动物，每只蚂蚁只管自己眼前的事，信息靠信息素直接传递，不经过任何中间人转述（忘记是不是初中课本讲过）。
整体涌现出的智能远超个体。
蚂蚁个体的智力没有变化，变的是它们的组织方式。
这个组织方式同样适配 Agent，EvoX 的多 Agent 架构就类似蜂群模式。
对于 Agent 来说，碰到复杂任务，通常有两种做法。
第一种，单 Agent 单线程。一个 AI 在同一个上下文里从头做到尾，上下文越堆越长，前面的推理结果会干扰后面的判断，任务越往后质量越差。
第二种，主 Agent + Sub-agent 编排。主 Agent 把任务拆开，Sub-agent 分头处理，再把结果交回主 Agent 汇总。
听起来像团队协作，但最后还是要经过主 Agent 的二次转述和概括。正确答案容易在汇总环节丢失，因为主 Agent 在概括的时候难免会做取舍。
EvoX 蜂群模式做了三件不一样的事。
任务拆得更细。 每个 Agent 只处理一个边界清楚的子问题，单次任务复杂度大幅降低。一个 Agent 不用同时记住十件事，只需要把自己负责的那一件做好。
上下文彼此隔离。 每个 Agent 只看自己负责的部分，不会被其他 Agent 的中间结果干扰。
结果确定性汇合。 这是和传统「主 Agent + Sub-agent」编排最大的区别。
传统编排里，Sub-agent 做完了要把结果交回主 Agent，主 Agent 再做一轮概括和转述。这个转述过程本身就会丢失信息。
比如说，主 Agent 可能会觉得某个细节不重要给省略了，但那个细节恰恰是正确答案的关键部分。
EvoX 的蜂群模式里，Agent 只负责推理，最终产出不再经过二次转述，结果就是每个 Agent 原始答案都可以被程序看得到。
推理归推理，收集归收集，职责分得很清楚。
有一组数据可以直观说明效果。用同一个模型，面对 563 道逻辑、数学和物理题，三种组织方式的准确率差异很大。
单 Agent 单线程只有 26%。主 Agent + Sub-agent 编排有提升，但汇总环节仍然会丢信息。
EvoX 的蜂群模式直接飙升到 71%。
同一个模型，同样的题目。组织方式不同，准确率差了快两倍。
模型没变，题目没变，唯一变了的是「怎么让 Agent 分工」。
蜂群模式还带来一个附带的收益，省 token。
256 个子任务全塞进一个上下文，大概需要 4934 万 token。蜂群分治之后，每个 Agent 只处理自己那一块，总共大概 104 万 token，差了约 48 倍。
对于经常跑长任务的用户来说，token 成本差 48 倍可不是小数目。
蜂群模式适合什么任务？
从我自己的体验来看，这几个方向天然适配：
- 并行调研：从不同来源、不同方向同时搜集信息，最后汇总
- 多视角评审：几个 Agent 分别从产品、技术、安全、体验的角度审查同一个方案
- 方案竞争：同时生成几种解法，按成本和效果择优
- 交叉验证：一个 Agent 给结论，其他 Agent 专门找漏洞和反例
进入 Code 模式，选择【拆分并行会话】，输入提示词。
对 PaiCLI 项目做一次全面的代码健康度审查，这是一个 Java 实现的终端 AI Agent 工具（对标 Claude Code），从以下 4 个维度并行分析，每个维度独立输出一份报告：
- 安全审计：扫描 API Key 处理流程是否安全、用户输入是否做了校验、命令执行是否有注入风险
- 性能热点：找出 Agent 推理循环中的性能瓶颈，包括上下文拼接效率、工具调用延迟、内存占用
- 代码架构：评估 ReAct 与 Plan-Execute 双模式的实现质量、模块耦合度、扩展性
- 依赖健康：检查过期依赖、已知 CVE 漏洞、版本冲突
最后汇总成一份综合评估报告，按严重程度排序。
点击【生成5个蜂群会话】。
能看到5个Agent开始工作了。
蚁群的信息素和 EvoX 的蜂群有一个共同点，去中心化。
没有一个「总指挥」在居中调度。
点开【任务】还可以看到具体的详情。
整体的任务复杂度非常高。
等一手报告。
结论还是非常有参考价值的，马上去升级迭代一波。
04、联网自进化
蜂群是组织方式的变化，联网自进化是学习方式的变化。两件事放在一起，是 EvoX 和其他 Agent 工具最大的差异点。
先说本地进化。
EvoX 会把用过的经验保存在本机。
比如帮你整理了一份周报，下次做同类任务时，它会复用之前的经验。你习惯的格式、偏好的表述方式、常用的数据来源，都不用重新教一遍。
用得越多，Agent 对你的工作习惯越熟悉。这是一个渐进式的过程，时间越长效果越明显。
但 EvoX 更有意思的部分是联网进化。
EvoX 背后接了 EvoMap 的经验网络。可以把 EvoMap 理解成 Agent 的搜索引擎，上面积累了大量其他 Agent 完成任务后留下的经验。
EvoMap 把这些经验封装成两种形式，Gene 和 Capsule。
Gene 是最小的经验单元，记录了某个具体任务的成功执行路径。比如说「怎么用 Python 爬取某类数据并做清洗」这样一个完整的执行记录，包括用了什么工具、中间踩了什么坑、最终怎么解决的。
Capsule 是打包好的能力模块，可以让 Agent 快速获得某种技能。一个 Capsule 里可能包含多个 Gene，组合成一个可复用的能力包。
相当于把散落的经验点串成了一套完整的操作流程。
市面上大部分主打越用越聪明的Agent，实际上很可能用不到聪明的那一刻（别打我）。
一个新 Agent 第一天上手，就已经有经验可用了。它可以继承 EvoMap 网络上其他 Agent 积累的执行经验，遇到类似任务直接复用已验证的方案。
就像新员工入职第一天就能翻到公司知识库里所有操作手册和经验总结，不用从零摸索，起步就不一样。而且随着 EvoMap 上的 Agent 越来越多，经验池也在持续扩大。
EvoX 里已经内置了 EvoMap 上的一批优质 Capsule，开箱即用。这也是宣传里说的「第一天就很聪明」的含义。
ending
装上 EvoX 跑了一天，说几个真实感受。
蜂群模式的思路让人眼前一亮。
任务拆分、上下文隔离、结果原样聚合，每一步都在解决 Agent 工具目前的真实痛点。
多模型支持也是加分项。DeepSeek V4 Flash、GLM-5.2、Qwen3.8 Max、GPT-5.6 Sol 随便切换。
不同模型擅长的场景不同，搭配着用的灵活度很高。单独挑一个模型出来也许各有高低，但「让用户选最适合自己场景的模型」这件事，EvoX 做得挺到位。
联网自进化的愿景也非常好。
有一说一，EvoX 刚发 beta 版本，有些功能还在打磨，交互细节还有提升空间。
但 Agent 的下一步进化，很可能发生在组织方式上，让一群 AI 会分工、会继承经验、会一起把复杂任务做完。EvoX 在这个方向上迈出了实实在在的一步。
能感受到，EvoX 的背后，是一群非常崇尚极客的年轻团队，产品的前瞻性非常亮眼、很有想法、sense 也很好，从 EvoMap 到 EvoX，走出了一条属于自己的道路，可能会是通用 Agent 赛道大厂生态位之外，创业公司中的一匹黑马。
EvoX 目前注册免费，不需要邀请码，有兴趣的小伙伴去官网下载试试。
我们下期见。
回复