如果说 AutoGPT 是 2023 年那波 Agent 狂潮的点火器，那 BabyAGI 就是递火把的人。作者 Yohei Nakajima 自己都承认：他从来没当过职业开发者，写这个项目纯粹是为了分享想法、抛砖引玉。结果这块”砖”拿了 2.2 万星，还顺手定义了后来所有自主 Agent 的基本循环。今天这篇基础篇，就聊聊这位”鼻祖级”的开源项目。
项目介绍：一个想法引发的 Agent 革命
BabyAGI 诞生于 2023 年 4 月（GitHub 仓库 yoheinakajima/babyagi，当前约 2.2 万星，MIT 协议），作者是风险投资人 Yohei Nakajima（Untapped Capital）。时间线上它和 AutoGPT 几乎同时爆发，但路线完全不同：AutoGPT 给你一个开箱即用的”AI 员工”，BabyAGI 给你的是一套极简的任务自主循环框架，外加全部源代码让你自己改。
原版 BabyAGI 的核心思想一句话就能讲完：给模型定一个目标，它自己拆任务、自己执行、再根据结果生成新任务，无限循环直到目标完成。经典实现里是三个角色配合：任务创建智能体负责根据目标和上一步结果生成新任务，执行智能体负责调用模型和工具把任务干掉，优先级排序智能体负责给任务队列重新排队。记忆靠向量数据库（当年用 Pinecone/Chroma 配 OpenAI embedding），整个循环跑下来，你只需要在旁边看着它”自己给自己派活”。
有意思的是，这个仓库现在已经不是你当年听说的那个 BabyAGI 了。原版 2023 年 3 月的代码已被归档，移到了 babyagi_archive 仓库（2024 年 9 月快照）。主仓库如今是一个实验性的”自我构建型自主 Agent”框架，核心是一套叫 functionz 的函数管理机制：把函数存进数据库、跟踪依赖和密钥、自动加载，还有个仪表盘可以管理函数和看日志。用作者的话说：与其造一个通用自主 Agent，不如造”能自己造自己的最简单的东西”。2026 年初他又开了 babyagi3，方向变成了”配置一次、之后用自然语言使唤”的常驻个人 Agent，带记忆、定时任务和邮件/短信通道。
上手：别指望开箱即用，把它当教材读
先泼盆冷水：BabyAGI 从来不是生产工具，作者自己都在 README 里写了”Not meant for production use”。它的正确用法是学习和验证想法。
想跑原版很简单：克隆 babyagi_archive，配好 OpenAI 的 Key 和向量库（Pinecone 或本地 Chroma），在 main.py 里填上你的目标（比如”帮我调研国产开源 RAG 框架”），运行后看它一条条列任务、一条条执行。注意两点：一是烧 token，死循环起来账单很刺激，建议设最大迭代次数；二是现在的 API 和依赖跟 2023 年不完全一样，跑不起来多半是依赖问题，修环境本身就是学习的一部分。
如果你想跟最新进展，那就看主仓库的 functionz 框架和 babyagi3。babyagi3 的启动已经很”现代 Agent”了：git clone 后 uv sync，python main.py 起一个常驻 Agent，支持记忆、后台任务、网页搜索，还能接 AgentMail 邮箱和短信通道。复杂度比原版高，但思路一脉相承：一个循环（输入→LLM→动作→执行→输出），外面包上记忆和调度。
想系统补课的话，建议按这个顺序读本站基础篇：先看 AutoGPT 理解”自主 Agent”这个品类是怎么火的，再看 AutoGen 理解多智能体协作，对比之下 BabyAGI 的”单循环自派活”设计就一目了然了。
实话：它的价值不在代码，在思想
实话实说，BabyAGI 的代码今天已经没法直接用了：原版归档、新版实验性、文档约等于没有、issue 里一堆跑不起来的提问。你要是想找个稳定干活的 Agent 框架，同期的 LangChain、现在的 CrewAI、AutoGen 都比它靠谱得多。
但这并不妨碍它的历史地位。今天几乎所有自主 Agent——任务规划、记忆检索、自我反思、工具自造——都能在 BabyAGI 那个几百行的循环里找到雏形。它证明了”LLM + 任务列表 + 向量记忆”就能涌现出自主行为，这个 idea 比任何代码都值钱。面试聊 Agent 必考的”任务分解-执行-重排”循环，出处就是这里。
一句话总结：不用它干活，但要懂它。花一下午读完原版源码，你对 Agent 的理解会超过只会调 API 的大多数人。
by 数码罗记·godsun.pro
