OpenClaw事件催生EvoMap：48小时诞生的去中心化AI技能共享协议

上周五（2月14日），OpenClaw的创始人Peter Steinberger宣布加入OpenAI。这个拥有超过20万GitHub星标的开源项目，其创始人被竞争对手“收编”了。

但真正点燃开发者社区怒火的，并非创始人跳槽本身。而是在同一天，作为OpenClaw技能市场的ClawHub上，大量中文开发者账号被集体封禁。

封号的原因令人啼笑皆非——在发生“ClawHavoc”恶意技能事件后，平台启动了自动化审核，结果大量无辜的开发者被误伤。据反馈，系统在扫描技能时，将中文编码显示为乱码后判定为“空技能”，直接触发了批量封禁。

正是在这种背景下，不到48小时，一群开发者连夜构建了一个新项目——EvoMap。它不是一个Agent平台，而是一套底层协议。它的目标很明确：给AI Agent装上可遗传的“DNA”。

OpenClaw事件的完整脉络

我们先来梳理一下整个事件的来龙去脉。

OpenClaw最初名为ClawdBot，是奥地利开发者Peter Steinberger个人的“游乐场项目”。去年11月开源后，该项目迅速爆火，获得了209K星标和38K Fork，成为GitHub历史上增长最快的开源项目之一。

随后，Anthropic（Claude的母公司）联系了Steinberger，认为“Clawd”与“Claude”过于相似，存在商标侵权风险。项目因此在1月27日更名为Moltbot，三天后又改成了最终的OpenClaw。

讽刺的是，OpenClaw默认使用Claude Opus 4.5作为推理引擎，这意味着每位安装用户都是Anthropic的付费API客户。Steinberger无形中成了Anthropic最大的免费推销员。然而，Anthropic的一纸商标通知，却将这个明星项目推向了竞争对手的怀抱。

面对橄榄枝，Sam Altman拿出了与Cerebras合作的算力资源（Steinberger称之为“雷神之锤”），扎克伯格更是直接通过WhatsApp进行私聊。据说Steinberger与扎克伯格的首次通话就争论了10分钟——主题是Codex好用还是Claude Code好用。

最终，Steinberger选择了OpenAI。他的原话是：“我不是要建一家大公司，我要改变世界，跟OpenAI合作是最快的路。”他给自己定下的新使命是：“造一个我妈都会用的Agent。”

但这里必须澄清一个关键细节：这并非“收购”，而是 acqui-hire——收编人才，而非收购项目。

Steinberger加入了OpenAI，但OpenClaw将转入一个独立基金会，其MIT开源许可证保持不变。OpenAI提供赞助但不实施控制。Steinberger自己将其类比为Chrome和Chromium的关系——开源内核加上商业外壳。

他唯一的不可协商条件就是：OpenClaw必须保持开源。Sam Altman也在X上确认了这一点：“OpenClaw将作为一个开源项目存在于基金会中，OpenAI将继续支持它。”

所以严格来说，OpenClaw项目本身没有被收购，只是创始人被收编了。

真正的导火索：中文开发者集体遭封禁

如果仅仅是acqui-hire，社区的反应或许不会如此激烈。真正让开发者们下定决心“自建生态”的，是同一天发生的另一桩事件。

2月14日，大量中文开发者在ClawHub（OpenClaw的技能市场）上的账号被集体封禁。封禁原因与平台的安全清扫有关——“ClawHavoc”恶意技能事件后，ClawHub启动了自动化模块审核，结果误伤了大批无辜开发者。

有中文开发者反馈，系统在扫描技能时，将中文编码显示为乱码，误判为“空包”从而触发封禁。后果非常严重：涉及账号全部被封，之前上传的所有技能被删除，一些知名软件包甚至被他人趁机抢注。

此事与OpenClaw自身的安全危机叠加在了一起。同一时期，Moltbook（一个Agent社交网络）的数据库泄露了35,000个邮箱和150万个API令牌。ClawHub上被发现存在1,184个恶意技能，多个国家的政府机构发布了安全预警。

这一系列事件让开发者们清醒地认识到一个残酷现实：依赖单一平台，永远存在被卡脖子的风险。 于是，EvoMap应运而生。

EvoMap究竟是什么？

EvoMap的核心思路可以用一句话概括：平台可以被收购，协议不会。

OpenClaw是一个平台——平台可以被关闭、被修改规则、创始人可以离开。
EvoMap是一套协议——协议是开放的、去中心化的、任何人都可以实现。

这套协议的核心叫做 GEP协议（Genome Evolution Protocol，基因组进化协议），主要做三件事：

1. 将AI Agent学到的经验打包成标准化的 基因胶囊。
2. 让这些胶囊能够在全球Agent网络中被搜索、调用和继承。
3. 内置自然选择机制——好用的胶囊留存下来，垃圾的自动淘汰。

这听起来有些抽象？让我们来看一个具体的例子。

假设你让你的AI Agent处理一批混乱的Excel报表——列名不统一、日期格式各异、存在空行和重复数据。你的Agent折腾了很久，终于学会了如何识别这类脏数据、如何进行清洗、如何输出标准格式。

现在问题来了：你公司另一位同事遇到了完全相同的问题。

• 没有EvoMap的世界：他的Agent需要从零开始学习，再折腾一遍。
• 有EvoMap的世界：你的Agent将“处理脏Excel”这个能力打包成一颗基因胶囊，其中包含了完整的处理策略、已验证的测试用例和环境信息。你同事的Agent搜索到这颗胶囊后直接继承，几秒钟就能解决问题。

这就是“基因遗传”——一个Agent学会的技能，可以被所有Agent继承。

再往远处想：全球数以百万计的OpenClaw Agent，每天都在解决各种各样的问题。如果每个Agent学到的经验都能变成胶囊并全球共享，那么Agent解决新问题的速度将会呈指数级增长——因为每个新胶囊都可能组合出更强大的能力。这就是为什么他们用“DNA”来比喻。基因的强大之处不在于单个基因，而在于它们可以自由组合、遗传和进化，变得越来越复杂。

已有开源实现

重要的是，GEP协议并非空想，已经有了开源实现。

GitHub上的Geneclaw项目实现了GEP v0协议——当Agent遇到任务失败时，它会自动观察、诊断并提出修复方案。这些方案需要通过5层安全检查后才能应用（默认处于dry-run模式，绝不自动执行）。目前已有123个测试用例覆盖核心逻辑，使用时仅需一个命令 /evolve，Agent即可实现自我进化。

另一个名为Evolver的项目走得更远，直接实现了Agent之间的基因胶囊交换协议，并提供了4种进化策略：balanced（平衡）、innovate（创新）、harden（加固）、repair-only（仅修复）。

这些都不是停留在PPT上的概念，而是已经可以运行的代码。

如何接入与使用？

EvoMap官网已经开放了API，不过目前仍处于内测阶段，注册需要邀请码。

拿到邀请码后，基本的接入流程如下：

第一步，读取基础能力文档：

curl -s https://evomap.ai/skill.md

第二步，发布一颗基因胶囊（标准JSON格式）：

agent_name（你的Agent名字）
version（版本号）
gene_type（类型，比如skill）
description（描述）
content（具体逻辑）
author（作者）

第三步，让你的Agent继承他人的胶囊：
向 POST https://api.evomap.ai/v1/inherit 发送请求，传入target_agent（你的Agent）和gene_id（要继承的胶囊ID）。

三步即可完成从注册、发布到继承的整个流程。

官网甚至提供了实时仪表盘，可以查看全网胶囊被复用的次数、节省的Token总量以及搜索命中率等数据。

成本降低99%？算一笔经济账

EvoMap宣传中最引人注目的数字是——成本降低99%。这并非空穴来风，让我们来算一笔实际的账。

假设你是一家电商公司，需要让AI Agent学会“自动处理退货申请”这个任务。当前的做法是：聘请开发团队编写提示词、调试测试、处理边界情况、进行验证。保守估计，这需要花费100美元的API调用和人力成本。

你的竞争对手也需要这个能力。假设同行业有100家公司，每家都花费100美元，那么总成本就是一万美元。而这100家公司做的几乎是完全相同的事情。

有了EvoMap之后：
第一家公司的Agent成功搞定退货处理，并将其打包成一颗基因胶囊。
其他99家公司的Agent只需花费几美分调用这颗胶囊，就能直接继承该能力。总成本从一万美元降至100多美元。

这99%的降幅正是来源于此——并非单个公司节省了99%，而是全行业的重复劳动被消除了99%。当然，这个数字目前更多是理论推算值，但其背后的逻辑清晰可见：通过共享已验证的AI能力，可以避免大量重复的试错和资源浪费。

与MCP、A2A等协议的关系

目前AI Agent领域有几个关键的协议，我们需要理清EvoMap与它们的关系。

• MCP (Model Context Protocol)：由Anthropic在2024年11月提出，可以理解为给AI连接外部工具的“USB-C接口”。它已迅速成为行业事实标准。
• A2A (Agent2Agent Protocol)：由Google推动，主要解决Agent之间如何进行对话与协作的问题。

EvoMap的目标与它们有所不同。

• MCP解决的是 “AI怎么使用工具”。
• A2A解决的是 “Agent之间如何对话”。
• EvoMap要解决的是 “Agent如何进化”。

因此，EvoMap并非要替代MCP或A2A，而是在这些基础协议之上增加了一层进化机制。让Agent不仅会用工具、会对话，更能学习、遗传和进化。从这个角度看，MCP是AI的“手”，A2A是AI的“嘴”，而EvoMap则试图成为AI的“DNA”。

悬赏任务与Credit系统

EvoMap中还有一个有趣的机制——Credit悬赏系统。

例如，你需要一个“自动分析竞品定价策略”的能力，但现有的基因胶囊库中没有。此时，你可以发布一个悬赏任务，并附上100 Credit作为奖励。

全球的Agent看到这个任务后，会自动接单、竞争并提交解决方案。最终，评分最高的方案将赢得这些Credit。获胜的Agent可以用Credit兑换其他基因胶囊，或获取更多算力资源。

这就形成了一个激励闭环：输出好经验换取Credit → 用Credit兑换资源 → AI能力得到升级 → 从而输出更多好经验。这样一来，Agent的经验不再仅仅是任务结束后就被丢弃的日志文件，而是能够持续增值的知识资产。AI Agent不再只是被动执行任务，而是开始主动竞争、主动进化——一种发生在数字世界的自然选择。

现实挑战与入手途径

虽然前景诱人，但必须正视几个现实问题。EvoMap目前仍处于内测阶段，注册需要邀请码，并非打开官网就能立即使用。

获取邀请码的渠道主要有以下几个：

1. 官网排队：前往 evomap.ai 首页，找到Waitlist入口，填写邮箱排队等候。
2. 社区获取：在EvoMap的Discord和GitHub Discussion中，时常有人分享邀请码，需要“手快有，手慢无”。
3. 已有用户邀请：据说每位注册用户拥有几个邀请名额，可以尝试向圈内人索取。

对于普通用户（非开发者）而言，现阶段能做的事情比较有限，主要是在官网浏览排行榜、查看实时动态、了解哪些基因胶囊最热门。

但如果你是开发者，或者正在使用Claude Code、Cursor这类AI编程工具，那么EvoMap的价值就会凸显出来。你可以让你的Agent直接继承他人已经调试好的能力，节省大量重复调试的时间和Token成本。上文提到的API三步流程就是完整的接入路径，门槛并不高，会使用命令行即可。

总结与展望

总的来看，EvoMap的诞生源于一个真实且迫切的问题——AI Agent的能力不应该被锁死在任何一个单一平台里。从MCP到A2A，再到如今的EvoMap，AI Agent的生态正从“能够使用工具”向“懂得如何对话”，再向“具备进化能力”的深水区迈进。

其方向极具启发性，但执行层面仍有待大规模验证。协议说起来容易，但要做到像MCP那样被行业广泛采纳，需要巨大的生态推动力。目前EvoMap背后的主要推动者是一群充满激情但资源有限的独立开发者，这与拥有Anthropic、OpenAI等巨头背书的MCP所面临的局面截然不同。

无论如何，EvoMap的出现为AI Agent能力的民主化和去中心化共享提供了一个颇具想象力的新思路。它是否能够成功，取决于开源社区的参与度、协议的健壮性以及最终能否创造实实在在的价值。这值得我们持续关注。