实战

Warp 在 Claude 上做自进化 Agent:终端工具的工程拆解

终端工具 Warp 把 Agent 搭在 Claude 上,核心不是更聪明的模型,而是让 Agent 能复盘自己跑过的命令。这篇来自 Anthropic 官方博客的案例,登上了 HN 首页 19 分。

字号

Warp 最近被 Anthropic 拿来当案例写了篇博客,讲他们怎么在 Claude 上搭自改进 Agent。文章上了 HN 首页,19 分、10 条评论。对终端工具来说,这事值得拆开看 —— Warp 一直是 AI 终端里产品力最强的那个,他们的工程取舍有参考价值。

Warp 这次到底做了什么

Warp 的 Agent 不是聊天机器人。它直接在终端里执行命令、改文件,然后根据输出决定下一步。

和 GitHub Copilot 那种"帮你补全一个函数"的工具不同,Warp Agent 拿到的是一段自然语言指令,比如"把仓库里所有 TODO 注释导成 markdown 表格"。它自己拆步骤、自己跑命令、自己处理报错。

关键差异:Warp Agent 不是 hardcode 的工作流,也不是单次 LLM 调用。它会在多轮里反复调用 Claude,每次根据上一步的结果调整行为。

Self-improving 不是玄学:三个具体机制

Anthropic 博客里把"自改进"拆成了三层。这三层分清楚很重要,不然容易把"模型能反思"当成万能解药。

第一层:工具调用结果回灌。Claude 本身支持 tool use,Agent 把 bash、read_file、edit_file 这几个工具的定义给出去,Claude 自己决定什么时候调用、传什么参数、拿到结果后怎么继续。这是 Claude API 自带的能力,Warp 没有重新发明。

第二层:失败重试的 prompt 改写。命令跑挂了,错误信息是 "Permission denied" 还是 "command not found",Claude 看到的内容完全不一样。Warp 在工程层做了一件事:把 stderr、exit code、上一次调用的参数,重新组织成一段 prompt,让 Claude "看到自己上次为什么挂了"。这一层 Warp 写得最细,博客里给了具体例子。

第三层:trace 回放。Warp 把每次 Agent 会话的全过程存下来 —— 每一步的命令、输出、模型推理、用户反馈。跑失败的 session 可以重放,跑成功的可以当 few-shot 示例喂给下一轮。这不是 Claude 的能力,是 Warp 自己加的工程层。

三层叠起来:Claude 负责"知道下一步该干嘛",Warp 负责"把过去的自己变成下一轮的输入"。

终端 Agent 最难的不是模型,是上下文

终端场景有几个反人类的特性:命令输出可以很长(npm install 的日志能刷几百行)、状态会污染(刚才 cd 到哪个目录影响下一步)、错误信息歧义大(error: EACCES 你得猜是权限问题还是路径问题)。

直接裸调 Claude API 跑不动。Warp 在中间包了一层,做了几件事:

  • 输出截断 + 结构化摘要。npm install 的完整日志不全塞给 Claude,先做摘要,把关键信息(版本号、warning、最终 exit code)留下
  • 工作目录快照。Agent 改文件前,先存一份 baseline,出问题能回滚
  • 工具白名单。不是所有 bash 命令都允许执行,rm -rf / 这种直接拒掉

这些东西跟"模型更聪明"没关系,纯粹是工程债。Anthropic 博客里也承认:"The model is rarely the bottleneck. The plumbing around it is."

从工程视角看,这案例值不值得抄

判断标准:哪些是 Warp 专属,哪些是通用模式。

Warp 专属的:
- 终端 UI 优势(直接在 TUI 里高亮 diff、确认 destructive 操作)
- 跟 shell 深度集成(能拿到 zsh 的历史、补全)
- 用户群体偏开发者,对 token 成本不敏感

通用模式的:
- 工具调用 + 反思循环(react 风格的 agent loop)
- trace 回放 + 失败案例当训练数据
- 上下文压缩(任何长输出场景都用得上)

如果你不是做终端工具,前三条抄不了。但后三条任何 Agent 项目都能用 —— 尤其 trace 回放这件事,大多数 Agent 团队做得不够。

HN 评论区真正在讨论什么

社区分成两派。

挑刺派:有人说 "self-improving 是个营销词,本质还是 few-shot prompting + retry"。这条评论点赞最高,点出了一个真相 —— Warp 没有在改模型,也没有真的"学习",只是在每次会话里复盘。

实用派:有人问 token 成本。Warp Agent 跑一个复杂任务能烧掉几万 token,因为多轮 + 长输出 + 反思 prompt 都要钱。如果 Agent 跑一晚上没出结果,账单可能比雇个实习生贵。

还有一条比较尖锐的评论:"Self-improving 是真的,但方向不一定对。Agent 改了几轮之后可能越来越偏离用户意图,因为它在优化'怎么让命令跑成功',不是'怎么解决用户的问题'。"

这条我觉得说到了点子上。

编辑思考

Self-improving agent 这个词被用烂了,大部分团队用来自我包装,真正拆开看就是"多轮调用 + 结果回灌 + 反思 prompt"。Warp 这个案例的特殊性不在于它"自改进",而在于它把这套机制跑通了,而且跑在一个对错误零容忍的场景里 —— 终端命令挂了就是挂了,没有"差不多就行"。

我的判断:Warp 这套工程模式,接下来半年会被各种 Agent 框架(尤其是面向开发者工具的)抄。但抄的只会是表面 —— 工具调用 + 多轮反思。真正难抄的是 trace 系统和上下文压缩,因为这两块没现成开源方案,得自己攒。

不确定的地方:这种 Agent 的长期成本结构我没看到数据。如果 Warp 没在想办法压 token,毛利率可能撑不住。另外,"自改进"的方向问题(评论区那条)到底怎么解,目前没人给出清晰答案。

引用来源:How Warp builds self-improving agents on Claude

来源: https://claude.com/blog/how-warp-builds-self-improving-agents-on-claude