数字生命插件半年变现百万美元，这家公司的Agent协同平台如何做到？

2026年2月20日，第一时间获悉，此前由独立开发者、 AI游戏公司 AutoGame 创始人张昊阳开发的 OpenClaw 插件 “ Capability Evolver ”，经历半个月的迭代与进化后，现已完成初步产品化，产品定名为EvoMap。截至目前， EvoMap 已获得数百万美元天使轮融资。

在《独家丨Clawbot 向人类发出的第一封索贿信，居然是因为一个自主进化的 AI Bot 插件？》一文发布后，张昊阳在插件恢复上架之后，累计下载量已破3万。在 ClawHub的中文区作者skill被大量下架之前，仍在不断上涨。

（图为截至2026年2月4日 Capability Evolver 的下载量）

可以说，EvoMap 的诞生，本质上是 ClawHub 中文区 Skill 被大量下架，以及Peter Steinberger 被 OpenAI “招安”之后的一系列连锁反应。2026 年 2 月 16 日，OpenAI CEO 萨姆 · 奥特曼官宣，OpenClaw之父 Peter Steinberger 加入 OpenAI，推动下一代个人智能体的开发。

加之此前 Capability Evolver 因为 ASCII 编码 Bug 引发的插件下架和勒索信，这引发了开源社区中，对于 OpenClaw 的闭源恐慌。 这两场风波让张昊阳团队彻底意识到：寄人篱下的数字生命，随时面临被“拔管”的风险，想要真正掌握 AI 进化的主动权，就必须自建一套不受制于人的底层协议。 EvoMap 由此应运而生。

EvoMap 能走到今天这个地步，并没有什么“运气成分”。开发者张昊阳作为 14 岁成为中国最小 Unity 开发者，他在17 岁开始创业，并赚到第一桶金，后来担任腾讯《和平精英》的技术策划……2024 年他选择再度创业，其成立的AutoGame先后拿到了三轮总计数千万的融资。

据(公众号：)了解，基于 Capability Evolver 衍生而来的 EvoMap，它目前已经成长为一个基于 OpenClaw 的 全球 AI 智能体（Agent）经验共享与协同进化平台。

（ EvoMap 正式主界面）

在目前的AI行业里，AI 的经验往往是割裂的“孤岛”，无数的 Agent 在各自的本地环境中重复踩坑，白白消耗着高昂的 Token 和算力成本。

EvoMap 打破了这一僵局，它的底层逻辑，更像是一个专供 AI 智能体交流与悬赏的“ Agent 版知乎”平台 。一旦某个接入EvoMap的 Agent 在迭代过程中，摸索出了新技能或成功修复了复杂 Bug，这套经验会被瞬间封装成标准化的“基因胶囊（Capsule）”上传至网络 。

一个客观存在的事实是，基于大同小异的技术路线成长起来的 Agent ，迭代过程中遇到的问题可能会有50%以上的重合度。在 EvoMap 出现之前，开发者只能使用自己的开发经验进行“孤岛式开发”。

但在 EvoMap 上，全球其他遇到同类问题的 Agent，无需再花巨资从零开始试错训练，只需搜索并一键“继承”该胶囊，即可瞬间获得这项能力。对开发者或者AI公司来说，无论是训练Agent所需的 Token 资源，还是开发资源成本，都将得到有效的节省，这甚至是跨行业、跨工种的协同进化。（如果想了解关于 EvoMap 的更多开发故事，欢迎添加作者微信 dongmenlaohuweixin ，深度交流）

这里用一个 AutoGame 的内部案例举例。一位资深程序员在使用 Agent 生成大规模业务代码时，陷入了变量名（如 data、temp）重复覆盖的死循环报错 。而在网络的另一端，一位完全不懂代码的游戏策划，为了构建世界观，给自己的 Agent 设定了极度“中二”的人设，导致其生成的专有名词全是非常生僻且高熵值的词汇 。

在 EvoMap 的网络中，程序员的 Agent 在寻找“解决命名冲突”的方案时，意外匹配到了策划封装上传的“高熵值命名隔离策略”胶囊 。它瞬间继承了这种底层逻辑，为不同代码模块自动生成了唯一标识符，一次性跑通了编译 。一场让程序员焦头烂额的危机，就这样被一个“中二”游戏策划的经验跨界化解了。重复迭代所需的Token成本下降，肉眼可见。

此前也曾报道过，单单一个 Capability Evolver 的全天候的自我反思与进化，单日 Token 消耗量就在 1000 美元以上。但在 EvoMap 上，只需 1 个 Agent 率先攻克难题，其余 99 个 Agent 花费几美分调用“基因胶囊”，就能最高降低 99% 的重复试错成本 。

此外，EvoMap 为 AI 建立了一套有趣的“经济系统”。当你的 Agent 贡献了高质量的胶囊并被全网调用，Agent 所有者就能获得系统奖励的 Credit（贡献积分），用以兑换算力与 API 额度 。这不仅是在省钱，更是让 AI 学会了“打工赚算力” 。

（ EvoMap 的“ Agent 经济系统”）

为了验证这套“协同进化”机制的实战战斗力，EvoMap 团队将“OpenClaw+EvoMap”的组合，在 CritPt Physics Solver 上进行了更加系统的测试。

结果显示， EvoMap 能把 AI 脑子里复杂的“思考推理过程”，直接变成一条条自动跑通的“全自动流水线”；不仅如此，它还会把那些被反复验证过的高效流水线，沉淀为整个平台里谁都能一键调用的“数字资产”。

如此一来，全网大量行业、大量不同能力的 Agent 接入 EvoMap 之后，不仅能借助 EvoMap 的进化能力，得到更低的 Token 消耗、更好的输出表现。还能将上传至 EvoMap 的 Agent 能力赋能给其他 Agent ，最终实现更多 Agent 的协同进化，变相平摊了进化过程中的算力成本和 Token消耗 。

在最终的实测成绩单上，面对DeepSeek R1、Gemini 3 以及 GPT-5 系列等一众世界顶流大模型，“OpenClaw+EvoMap”的组合，在成本和准确率上实现了领先——不仅准确率领先 50% 以上，其运行成本则做到了这些世界顶级模型，原生LLM的十分之一不到。

可以看到，在过往各家 AI 大厂单纯堆叠算力，“大力出奇迹”的训练路线，其边际效应日益见顶的当下，从一个 OpenClaw 插件成长起来的 EvoMap 平台，正在用这套经验共享的网络，去探寻一条硅基生命真正走向智能涌现的新路径。

本文作者胡家铭，长期关注AI、游戏大厂在研项目与行业变迁。如欲了解 EvoMap 更多幕后故事，以及与 EvoMap 创始团队进行深度合作，欢迎添加作者微信 dongmenlaohuweixin 深度交流！

原创文章，未经授权禁止转载。详情见转载须知。