一个用于自主优化软件项目的通用进化引擎。
Evolution Kernel 是一个面向“自主自我进化软件系统”的最小协议与运行时。
它不是某个具体项目的自动化脚本，而是一个通用的进化内核。它的目标是让软件项目的持续改进过程变得可控、可复现、可沙箱化、可审计、可回滚。只要一个项目能够提供目标、沙箱和评估器，就可以成为它的优化对象。
现代 coding agent 可以提出并修改代码，但长期的软件自我改进不只需要代码生成，还需要一个稳定的内核来管理整个进化闭环：
- 定义目标项目里的“改进”到底意味着什么；
- 在影响已接受分支之前隔离每一次实验；
- 用可复现的标准评估候选变更；
- 只晋升通过评估的候选结果；
- 记录每次实验发生了什么、为什么接受或拒绝。
Evolution Kernel 将这个闭环做成一个小而可检查的运行时。
flowchart LR
Goal[Goal] --> Governor[Governor]
Governor --> Planner[Planner]
Planner --> Plan[plan.json]
Plan --> Executor[Executor]
Executor --> Candidate[Sandbox candidate]
Candidate --> Evaluator[Evaluator]
Evaluator --> Eval[evaluation.json]
Eval --> Governor
Governor --> Accepted[evolution/accepted]
Governor --> Ledger[Ledger]
Evolution Kernel 的定位是优化任何软件项目。它第一个正在优化的项目是 Token-Ignition，具体对象是 Token-Ignition 的后端评估器。
因此，Token-Ignition 是第一个优化对象和参考适配器，不是 Evolution Kernel 的硬依赖。它用来验证这个内核能否安全、确定性地进化一个真实代码库，同时保持运行时足够小。
当前 v0 版本已经实现了基础运行时：
| 模块 | 当前已实现 |
|---|---|
| Governor | 确定性编排 planning、execution、evaluation、promotion、rollback 和 ledger 更新。 |
| Sandbox | 基于 Git worktree 的实验隔离。候选变更只有被晋升后才会影响已接受分支。 |
| 角色交接 | planner、executor、evaluator 作为隔离命令运行，并通过 JSON 文件通信。 |
| 晋升模型 | 被接受的候选结果推进本地 evolution/accepted 分支；被拒绝的实验只保留记录，不推进该分支。 |
| 首个适配器 | Token-Ignition 适配器，包含用于评估器进化的手写 golden set。 |
| 尚未完成 | 为什么重要 |
|---|---|
| LLM-native planner/executor | 当前测试使用 fixture 脚本；真实 agent 接入是下一步。 |
| 更强的进程/容器级沙箱 | Git worktree 能隔离文件，但 executor 和 evaluator 的运行隔离还应进一步增强。 |
| 多目标适配器框架 | Token-Ignition 是第一个目标；还需要更多适配器来证明通用性。 |
| 并行进化分支 | v0 目前聚焦单一 accepted 分支和简单晋升路径。 |
- 增加 LLM 驱动的 planner 和 executor 实现。
- 为 executor 和 evaluator 增加更强的沙箱隔离。
- 将适配器接口从 Token-Ignition 推广为通用接口。
- 增加多个不同类型项目的 examples。
- 支持并行进化分支和更丰富的合并策略。
- 改进 ledger 历史、晋升决策、拒绝候选的报告能力。
python3 -m unittest discover -s tests -v
python3 adapters/token_ignition/evaluate_golden_cases.pypython3 -m evolution_kernel.cli \
--repo /path/to/target-repo \
--ledger /path/to/evolution-ledger \
--goal /path/to/goal.json \
--planner python3 /path/to/planner.py \
--executor python3 /path/to/executor.py \
--evaluator python3 /path/to/evaluator.py每个角色命令都会收到：
--input <json>
--output <json>
--worktree <sandbox path>