2026年2月20日，雷峰網(wǎng)第一時間獲悉，此前由獨立開發(fā)者、 AI游戲公司 AutoGame 創(chuàng)始人張昊陽開發(fā)的 OpenClaw 插件 “ Capability Evolver ”，經(jīng)歷半個月的迭代與進化后，現(xiàn)已完成初步產(chǎn)品化，產(chǎn)品定名為 EvoMap。截至目前， EvoMap 已獲得數(shù)百萬美元天使輪融資。

在《獨家丨Clawbot 向人類發(fā)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(fā)布后，張昊陽在插件恢復(fù)上架之后，累計下載量已破3萬。在 ClawHub的中文區(qū)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(zhì)上是 ClawHub 中文區(qū) Skill 被大量下架，以及Peter Steinberger 被 OpenAI “招安”之后的一系列連鎖反應(yīng)。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(fā)。

加之此前 Capability Evolver 因為 ASCII 編碼 Bug 引發(fā)的插件下架和勒索信，這引發(fā)了開源社區(qū)中，對于 OpenClaw 的閉源恐慌。 這兩場風(fēng)波讓張昊陽團隊徹底意識到：寄人籬下的數(shù)字生命，隨時面臨被“拔管”的風(fēng)險，想要真正掌握 AI 進化的主動權(quán)，就必須自建一套不受制于人的底層協(xié)議。 EvoMap 由此應(yīng)運而生。

EvoMap 能走到今天這個地步，并沒有什么“運氣成分”。開發(fā)者張昊陽作為 14 歲成為中國最小 Unity 開發(fā)者，他在17 歲開始創(chuàng)業(yè)，并賺到第一桶金，后來擔(dān)任騰訊《和平精英》的技術(shù)策劃……2023 年他選擇再度創(chuàng)業(yè)，其成立的 AutoGame 先后拿到了三輪總計數(shù)千萬的融資。

據(jù)雷峰網(wǎng)(公眾號：雷峰網(wǎng))了解，基于 Capability Evolver 衍生而來的 EvoMap，它目前已經(jīng)成長為一個基于 OpenClaw 的 全球 AI 智能體（Agent）經(jīng)驗共享與協(xié)同進化平臺。

（ EvoMap 官網(wǎng)主界面）

在目前的AI行業(yè)里，AI 的經(jīng)驗往往是割裂的“孤島”，無數(shù)的 Agent 在各自的本地環(huán)境中重復(fù)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(fù)了復(fù)雜 Bug，這套經(jīng)驗會被瞬間封裝成標準化的“基因膠囊（Capsule）”上傳至網(wǎng)絡(luò) 。

一個客觀存在的事實是，基于大同小異的技術(shù)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(xiàn)之前，開發(fā)者只能使用自己的開發(fā)經(jīng)驗進行“孤島式開發(fā)”。

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(xùn)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(fā)者或者AI公司來說，無論是訓(xùn)練Agent所需的 Token 資源，還是開發(fā)資源成本，都將得到有效的節(jié)省，這甚至是跨行業(yè)、跨工種的協(xié)同進化。（如果想了解關(guān)于 EvoMap 的更多開發(fā)故事，歡迎添加作者微信 dongmenlaohuweixin ，深度交流）

這里用一個 AutoGame 的內(nèi)部案例舉例。一位資深程序員在使用 Agent 生成大規(guī)模業(yè)務(wù)代碼時，陷入了變量名（如 data、temp）重復(fù)覆蓋的死循環(huán)報錯 。而在網(wǎng)絡(luò)的另一端，一位完全不懂代碼的游戲策劃，為了構(gòu)建世界觀，給自己的 Agent 設(shè)定了極度“中二”的人設(shè)，導(dǎo)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(wǎng)絡(luò)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(jīng)驗跨界化解了。重復(fù)迭代所需的Token成本下降，肉眼可見。

雷峰網(wǎng)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(diào)用“基因膠囊”，就能最高降低 99% 的重復(fù)試錯成本 。

此外，EvoMap 為 AI 建立了一套有趣的“經(jīng)濟系統(tǒng)”。當(dāng)你的 Agent 貢獻了高質(zhì)量的膠囊并被全網(wǎng)調(diào)用，Agent 所有者就能獲得系統(tǒng)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(xué)會了“打工賺算力” 。

（ EvoMap 的“ Agent 經(jīng)濟系統(tǒng)”）

為了驗證這套“協(xié)同進化”機制的實戰(zhàn)戰(zhàn)斗力，EvoMap 團隊將“OpenClaw+EvoMap”的組合，在 CritPt Physics Solver 上進行了更加系統(tǒng)的測試。

結(jié)果顯示， EvoMap 能把 AI 腦子里復(fù)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(fù)驗證過的高效流水線，沉淀為整個平臺里誰都能一鍵調(diào)用的“數(shù)字資產(chǎn)”。

如此一來，全網(wǎng)大量行業(yè)、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(xiàn)。還能將上傳至 EvoMap 的 Agent 能力賦能給其他 Agent ，最終實現(xiàn)更多 Agent 的協(xié)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(xiàn)了領(lǐng)先——不僅準確率領(lǐng)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(xùn)練路線，其邊際效應(yīng)日益見頂?shù)漠?dāng)下，從一個 OpenClaw 插件成長起來的 EvoMap 平臺，正在用這套經(jīng)驗共享的網(wǎng)絡(luò)，去探尋一條硅基生命真正走向智能涌現(xiàn)的新路徑。

本文作者胡家銘，長期關(guān)注AI、游戲大廠在研項目與行業(yè)變遷。如欲了解 EvoMap 更多幕后故事，以及與 EvoMap 創(chuàng)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(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。