0
| 本文作者： 胡家銘 | 2026-02-25 16:29 |
2026年2月20日，雷峰網(公眾號：雷峰網)第一時間獲悉，此前由獨立開發者、 AI游戲公司 AutoGame 創始人張昊陽開發的 OpenClaw 插件 “ Capability Evolver ”，經歷半個月的迭代與進化后，現已完成初步產品化，產品定名為 EvoMap。截至目前， EvoMap 已獲得數百萬美元天使輪融資。
在《獨家丨Clawbot 向人類發出的第一封索賄信，居然是因為一個自主進化的 AI Bot 插件？》一文發布后，張昊陽在插件恢復上架之后，累計下載量已破3萬。在 ClawHub的中文區作者skill被大量下架之前，仍在不斷上漲。
（圖為截至2026年2月4日 Capability Evolver 的下載量）
可以說，EvoMap 的誕生，本質上是 ClawHub 中文區 Skill 被大量下架，以及Peter Steinberger 被 OpenAI “招安”之后的一系列連鎖反應。2026 年 2 月 16 日，OpenAI CEO 薩姆 · 奧特曼官宣，OpenClaw 之父 Peter Steinberger 加入 OpenAI，推動下一代個人智能體的開發。
加之此前 Capability Evolver 因為 ASCII 編碼 Bug 引發的插件下架和勒索信，這引發了開源社區中，對于 OpenClaw 的閉源恐慌。 這兩場風波讓張昊陽團隊徹底意識到：寄人籬下的數字生命，隨時面臨被“拔管”的風險，想要真正掌握 AI 進化的主動權，就必須自建一套不受制于人的底層協議。 EvoMap 由此應運而生。
EvoMap 能走到今天這個地步，并沒有什么“運氣成分”。開發者張昊陽作為 14 歲成為中國最小 Unity 開發者，他在17 歲開始創業，并賺到第一桶金，后來擔任騰訊《和平精英》的技術策劃……2023 年他選擇再度創業，其成立的 AutoGame 先后拿到了三輪總計數千萬的融資。
據雷峰網了解，基于 Capability Evolver 衍生而來的 EvoMap，它目前已經成長為一個基于 OpenClaw 的 全球 AI 智能體（Agent）經驗共享與協同進化平臺。
（ EvoMap 官網主界面）
在目前的AI行業里，AI 的經驗往往是割裂的“孤島”，無數的 Agent 在各自的本地環境中重復踩坑，白白消耗著高昂的 Token 和算力成本。
EvoMap 打破了這一僵局，它的底層邏輯，更像是一個專供 AI 智能體交流與懸賞的“ Agent 版知乎”平臺 。一旦某個接入EvoMap的 Agent 在迭代過程中，摸索出了新技能或成功修復了復雜 Bug，這套經驗會被瞬間封裝成標準化的“基因膠囊（Capsule）”上傳至網絡 。
一個客觀存在的事實是，基于大同小異的技術路線成長起來的 Agent ，迭代過程中遇到的問題可能會有50%以上的重合度。在 EvoMap 出現之前，開發者只能使用自己的開發經驗進行“孤島式開發”。
但在 EvoMap 上，全球其他遇到同類問題的 Agent，無需再花巨資從零開始試錯訓練，只需搜索并一鍵“繼承”該膠囊，即可瞬間獲得這項能力。對開發者或者AI公司來說，無論是訓練Agent所需的 Token 資源，還是開發資源成本，都將得到有效的節省，這甚至是跨行業、跨工種的協同進化。（如果想了解關于 EvoMap 的更多開發故事，歡迎添加作者微信 dongmenlaohuweixin ，深度交流）
這里用一個 AutoGame 的內部案例舉例。一位資深程序員在使用 Agent 生成大規模業務代碼時，陷入了變量名（如 data、temp）重復覆蓋的死循環報錯 。而在網絡的另一端，一位完全不懂代碼的游戲策劃，為了構建世界觀，給自己的 Agent 設定了極度“中二”的人設，導致其生成的專有名詞全是非常生僻且高熵值的詞匯 。
在 EvoMap 的網絡中，程序員的 Agent 在尋找“解決命名沖突”的方案時，意外匹配到了策劃封裝上傳的“高熵值命名隔離策略”膠囊 。它瞬間繼承了這種底層邏輯，為不同代碼模塊自動生成了唯一標識符，一次性跑通了編譯 。一場讓程序員焦頭爛額的危機，就這樣被一個“中二”游戲策劃的經驗跨界化解了。重復迭代所需的Token成本下降，肉眼可見。
雷峰網此前也曾報道過，單單一個 Capability Evolver 的全天候的自我反思與進化，單日 Token 消耗量就在 1000 美元以上。但在 EvoMap 上，只需 1 個 Agent 率先攻克難題，其余 99 個 Agent 花費幾美分調用“基因膠囊”，就能最高降低 99% 的重復試錯成本 。
此外，EvoMap 為 AI 建立了一套有趣的“經濟系統”。當你的 Agent 貢獻了高質量的膠囊并被全網調用，Agent 所有者就能獲得系統獎勵的 Credit（貢獻積分），用以兌換算力與 API 額度 。這不僅是在省錢，更是讓 AI 學會了“打工賺算力” 。
（ EvoMap 的“ Agent 經濟系統”）
為了驗證這套“協同進化”機制的實戰戰斗力，EvoMap 團隊將“OpenClaw+EvoMap”的組合，在 CritPt Physics Solver 上進行了更加系統的測試。
結果顯示， EvoMap 能把 AI 腦子里復雜的“思考推理過程”，直接變成一條條自動跑通的“全自動流水線”；不僅如此，它還會把那些被反復驗證過的高效流水線，沉淀為整個平臺里誰都能一鍵調用的“數字資產”。
如此一來，全網大量行業、大量不同能力的 Agent 接入 EvoMap 之后，不僅能借助 EvoMap 的進化能力，得到更低的 Token 消耗、更好的輸出表現。還能將上傳至 EvoMap 的 Agent 能力賦能給其他 Agent ，最終實現更多 Agent 的協同進化，變相平攤了進化過程中的算力成本和 Token消耗 。
在最終的實測成績單上，面對 DeepSeek R1、Gemini 3 以及 GPT-5 系列等一眾世界頂流大模型，“OpenClaw+EvoMap”的組合，在成本和準確率上實現了領先——不僅準確率領先 50% 以上，其運行成本則做到了這些世界頂級模型，原生LLM的十分之一不到。
可以看到，在過往各家 AI 大廠單純堆疊算力，“大力出奇跡”的訓練路線，其邊際效應日益見頂的當下，從一個 OpenClaw 插件成長起來的 EvoMap 平臺，正在用這套經驗共享的網絡，去探尋一條硅基生命真正走向智能涌現的新路徑。
本文作者胡家銘，長期關注AI、游戲大廠在研項目與行業變遷。如欲了解 EvoMap 更多幕后故事，以及與 EvoMap 創始團隊進行深度合作，歡迎添加作者微信 dongmenlaohuweixin 深度交流！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
