AI-agent Prime Agent voert code uit in IPython en leert onderweg van fouten

De meeste AI-codeerassistenten volgen hetzelfde patroon: je opent een chat, voegt een prompt toe, en krijgt een codefragment of een enkele bestandsbewerking. Als een taak zich uitstrekt over een paar uur, raakt de context verstopt met rommel, en een per ongeluk gesloten terminaltab doodt de hele workflow.

De ontwikkelaars bij Prime Intellect kozen een andere aanpak en maakten het Prime Agent-project open source. Dit is een tool voor langlopende taken en onderzoeksscripts, met een interactieve IPython-omgeving eronder, en de agent zelf kan op de achtergrond werken en zijn instructies aanpassen zonder de basis te herschrijven.

Hoe de RLM-aanpak werkt

De kern van het project is het Recursive Language Model (RLM)-concept. In plaats van de neurale netwerk de hele context als één grote chunk te voeren, zet Prime Agent context om in variabelen, en maakt het tools en child-agents tot reguliere Python-functies.

Al het werk vindt plaats binnen een IPython-sessie. Wanneer de agent een bestand moet lezen, tests moet uitvoeren of een data-array moet verwerken, schrijft en voert het direct Python-code uit.

Als een taak in meerdere delen wordt opgesplitst, roept het hoofdproces functie rlm(...) aan. Het spawnt een geïsoleerde child-agent. Het child-proces lost zijn subtaken parallel of op de achtergrond op, en retourneert het resultaat vervolgens terug naar de hoofdcode. De chat raakt niet verstopt met tussenliggende logs in het proces.

Zelfleren via Continual Harness

Meestal, als een agent vastloopt of een domme fout maakt, moet je handmatig zijn regels of systeemprompt repareren. Prime Agent heeft hiervoor het /refine-commando.

De mechanica is gebouwd op het Continual Harness-concept:

• De agent analyseert de actiegeschiedenis en zoekt naar plaatsen waar het vastliep of van het spoor afraakte.
• Op basis hiervan vormt het gerichte notities, skill-beschrijvingen of specificaties voor toekomstige sub-agents.
• Wijzigingen worden geregistreerd als toevoegingen aan de sessiestatus, terwijl de systeemprompt onaangeroerd blijft.
• Alle snapshots worden opgeslagen, dus onsuccesvolle aanpassingen kunnen altijd worden teruggedraaid.

De tool verzamelt ervaring met het specifiek werken met jouw repository. Herhalende commando-ketens kan het verpakken in een uitvoerbaar Python-pakket en opslaan als een aparte skill.

Achtergrondwerk en autonome modus

Voor langdurige taken zoals benchmarks uitvoeren of diepe refactoring kan de agent overschakelen naar de achtergrondmodus. Dit wordt afgehandeld door een ingebouwde daemon.

Je kunt een proces starten, de terminal loskoppelen en er een paar uur later op terugkomen:

prime-agent agents         # Посмотреть список активных и сохраненных сессий
prime-agent attach <id>    # Подключиться к фоновому агенту обратно

Als je wilt dat de agent de systeemstatus controleert of checks volgens een schema uitvoert, heeft het timers en het /heartbeat-commando.

Voor volledig autonome werking is er de /autonomous-modus. Het stelt harde limieten in op het aantal stappen, tokenverbruik en runtijd. Je kunt ook kwaliteitscontroles koppelen: als tests falen, blijft de agent zoeken naar een oplossing totdat het budget op is.

Lopende agents kunnen direct met elkaar communiceren. Als één agent data genereert, kan het een bericht sturen naar een ander proces zonder menselijke betrokkenheid.

Installatie en beveiligingsoverwegingen

Installatie op macOS of Linux wordt gedaan via een enkel script:

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

Na de installatie moet je naar het doelproject gaan en de CLI starten:

cd /path/to/project
prime-agent

Bij de eerste launch zal het /login-commando je vragen om een API-provider of abonnement te kiezen.

In de README waarschuwen de auteurs eerlijk: Prime Agent voert gegenereerde code direct uit op je machine met de permissies van de huidige gebruiker. Er is standaard geen geïsoleerde container of sandbox. Als je de agent toegang geeft tot een niet-geverifieerde repository, kan de gegenereerde code per ongeluk bestanden wissen of een gevaarlijk console-commando uitvoeren. Het is dus het beste om het te draaien in schone git-branches, een aparte Docker-container of een geïsoleerde virtuele machine.

Voor wie is dit project nuttig

Prime Agent is vooral interessant voor degenen die onderzoekscode schrijven, complexe model-evaluaties uitvoeren of taken oplossen waarbij een tekstchat met een LLM niet meer voldoende is.

De aanpak van het gebruiken van uitvoerbare Python-code in plaats van tekstgebaseerde tool-aanroepen lijkt een logische evolutie van CLI-tools. Het project wordt gedistribueerd onder de MIT-licentie, verzamelt duizenden sterren op GitHub en wordt actief bijgewerkt. Als je een agent nodig hebt die niet vastvriest bij langlopende taken en op de achtergrond kan werken, is Prime Agent zeker het proberen waard.