Warp × Claude 自進化 Agent 實戰:終端工具的工程拆解
Warp 最近被 Anthropic 選為案例,寫了一篇部落格文章談他們怎麼在 Claude 上搭建自改進 Agent。該文登上 Hacker News 榜首,獲得 19 分、10 則留言。對終端工具來說,這個案例值得拆開來看 —— Warp 一直是 AI 終端裡產品力最強的產品,他們的工程取捨有參考價值。
Warp 這次到底做了什麼
Warp 的 Agent 不是聊天機器人。它直接在終端機裡執行指令、修改檔案,然後根據輸出決定下一步動作。
和 GitHub Copilot 那種「幫你補完一個函式」的工具不同,Warp Agent 收到的是一段自然語言指令,例如「把倉庫裡所有 TODO 註解匯出成 markdown 表格」。它自己拆步驟、自己跑指令、自己處理錯誤。
關鍵差異:Warp Agent 不是寫死的工作流程,也不是單次 LLM 呼叫。它會在多輪中反覆呼叫 Claude,每次根據上一步的結果調整行為。
Self-improving 不是玄學:三個具體機制
Anthropic 部落格把「自改進」拆成三層。這三層必須分清楚,否則很容易把「模型能反思」當成萬靈丹。
第一層:工具呼叫結果回灌。Claude 本身支援 tool use,Agent 把 bash、read_file、edit_file 這幾個工具的定義提供給 Claude,Claude 自己決定何時呼叫、傳什麼參數、拿到結果後怎麼繼續。這是 Claude API 自帶的能力,Warp 沒有重新發明輪子。
第二層:失敗重試的 prompt 改寫。指令跑掛了,錯誤訊息是「Permission denied」還是「command not found」,Claude 看到的內容完全不同。Warp 在工程層做了一件事:把 stderr、exit code、上一次呼叫的參數重新組織成一段 prompt,讓 Claude「看到自己上次為什麼掛了」。這一層 Warp 寫得最細,部落格裡有具體例子。
第三層:trace 回放。Warp 把每次 Agent 會話的全过程記錄下來 —— 每一步的指令、輸出、模型推理、使用者回饋。跑失敗的 session 可以重播,跑成功的可以當 few-shot 範例餵給下一輪。這不是 Claude 的能力,是 Warp 自己加的工程層。
三層疊起來:Claude 負責「知道下一步該做什麼」,Warp 負責「把過去的自己變成下一輪的輸入」。
終端 Agent 最難的不是模型,是上下文
終端場景有幾個反人類的特性:指令輸出可能很長(npm install 的日誌能刷幾百行)、狀態會污染(剛才 cd 到哪個目錄影響下一步)、錯誤訊息歧義大(error: EACCES 你得猜是權限問題還是路徑問題)。
直接裸調 Claude API 跑不動。Warp 在中間包了一層,做了幾件事:
- 輸出截斷 + 結構化摘要。
npm install的完整日誌不全塞給 Claude,先做摘要,把關鍵資訊(版本號、warning、最終 exit code)留下來 - 工作目錄快照。Agent 改檔前先存一份 baseline,出問題能回滾
- 工具白名單。不是所有
bash指令都允許執行,rm -rf /這種直接擋掉
這些東西跟「模型更聰明」沒關係,純粹是工程債。Anthropic 部落格裡也承認:「The model is rarely the bottleneck. The plumbing around it is.」
從工程視角看,這案例值不值得抄
判斷標準:哪些是 Warp 專屬,哪些是通用模式。
Warp 專屬的:
- 終端 UI 優勢(直接在 TUI 裡高亮 diff、確認 destructive 操作)
- 跟 shell 深度整合(能拿到 zsh 的歷史、自動完成)
- 使用者族群偏開發者,對 token 成本不敏感
通用模式的:
- 工具呼叫 + 反思迴圈(react 風格的 agent loop)
- trace 回放 + 失敗案例當訓練資料
- 上下文壓縮(任何長輸出場景都用得上)
如果你不是做終端工具,前三條抄不來。但後三條任何 Agent 專案都用得上 —— 尤其 trace 回放這件事,大多數 Agent 團隊做得不夠。
HN 留言區真正在討論什麼
社群分成兩派。
挑刺派:有人說「self-improving 是個行銷詞,本質還是 few-shot prompting + retry」。這則留言按讚數最高,點出了一個真相 —— Warp 沒有在改模型,也沒有真的「學習」,只是在每次會話裡回顧。
實用派:有人問 token 成本。Warp Agent 跑一個複雜任務可能燒掉幾萬 token,因為多輪 + 長輸出 + 反思 prompt 都要錢。如果 Agent 跑一整晚沒出結果,帳單可能比雇個實習生還貴。
還有一則比較尖銳的留言:「Self-improving 是真的,但方向不一定對。Agent 改了幾輪之後可能越來越偏離使用者意圖,因為它在優化『怎麼讓指令跑成功』,不是『怎麼解決使用者的問題』。」
這則我覺得說到了點子上。
編輯思考
Self-improving agent 這個詞被用爛了,大部分團隊拿來自我包裝,真正拆開來看就是「多輪呼叫 + 結果回灌 + 反思 prompt」。Warp 這個案例的特殊性不在於它「自改進」,而在於它把這套機制跑通了,而且跑在一個對錯誤零容忍的場景裡 —— 終端指令掛了就是掛了,沒有「差不多就行」。
我的判斷:Warp 這套工程模式,接下來半年會被各種 Agent 框架(尤其是面向開發者工具的)抄。但抄得到的只會是表面 —— 工具呼叫 + 多輪反思。真正難抄的是 trace 系統和上下文壓縮,因為這兩塊沒有現成開源方案,得自己慢慢累積。
不確定的地方:這種 Agent 的長期成本結構我沒看到數據。如果 Warp 沒在想辦法壓 token,毛利率可能撐不住。另外,「自改進」的方向問題(留言區那則)究竟怎麼解,目前沒有人給出明確答案。