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。