MOSS（Model-Oriented Self-Source）是一个新颖的框架，它赋予了自主智能体系统在生产级源码层面进行自重写的能力。MOSS 框架解决了一类关键局限性：现有智能体通常只能迭代文本可变的部分（如提示词、技能文件、内存等），但无法触及和修正驱动整个系统的核心逻辑层——即Agent Harness（代理骨架）。

原始内容来自 https://arxiv.org/html/2605.22794v1

📖 1. 核心问题与理论突破

1.1 现有智能体的局限性（The Text Barrier）

目前应用层自主智能体的核心风险点在于其架构（Harness）的稳定性。当故障源于以下底层逻辑时，仅通过文本修改（如优化 Prompt 或增加 Skills）无法解决：

• 消息路由异常。
• 钩子（Hooks）触发顺序错误。
• 会话状态（Session State）的原子性问题。

核心观点： 代码级别的逻辑错误无法通过简单的文本补丁来修复。

1.2 MOSS 的解决方案：源码级适应性 (Source-Level Adaptation)

MOSS 的优势在于其演化空间是编译型、确定性、且处于最通用的层面。

1. 计算完备性 (Turing Completeness): 源代码设计空间构成了最普遍的搜索空间，使其严格包含于所有文本可变范围。
2. 确定性 (Determinism): 行为运行在受控的代码逻辑（例如状态机不变式）之上，而不是依赖于大型语言模型是否能完美理解并遵守新的文本规则。
3. 稳定性 (Stability): 演化补丁作为结构化代码，不会在长上下文漂移（Long-context Drift）中被消解，保证了系统的鲁棒性。

⚙️ 2. 系统架构与组件分离

MOSS 在一个复杂、多进程（Multi-Process）的宿主机（Host-Side）拓扑上运行，以确保在进行代码演化时，不会中断实时的用户体验。

🔄 3. 确定性演化流程 (The Evolution Workflow)

MOSS 遵循一个严格、确定且有界限的闭环迭代过程，核心驱动力是真实的生产环境失败证据。

3.1 步骤 一：输入证据的采集 (Evidence Ingestion)

演化的目标不是一个理论上的基准测试，而是修复一组具体的、出问题的生产批次证据。

1. 周期性扫描 (moss evo catch-up): 扫描历史会话 JSONL 文件，自动识别出对话流程中表现不佳或失败的对话片段。
2. 用户触发 (moss evo flag): 当用户在对话中明确表达了对当前系统的某些行为不满意时触发，将该时刻的上下文加入待修复批次。
   批量管理： 无论是哪种来源，最终都汇入一个待处理批次 (Open Batch)，当该批次积攒到默认阈值（例如 8 个缺陷块）时，即将其封闭（Sealed）。

3.2 步骤 二：迭代与验证循环 (The Iteration Loop)

1. 代码生成/修改: External Coding Agent 基于当前批次证据，生成修改后的代码片段。
2. 构建镜像: Host-Daemon Supervisor 使用新的代码片段对 Substrate 进行修改和 docker build，生成一个新的候选镜像（Candidate Image）。
3. 任务激活: 守护进程启动独立的 Trial Worker 容器，使用该候选镜像运行原始失败任务批次。
4. 收敛/回滚: Trial Worker 发现问题后，守护进程根据测试结果判断是否发生“收敛”（Converged）或“失败”（Failed）。如果失败，则进入下一轮迭代，直到达到预设的成功标准或无法再进行修复。

🛠️ 4. 实施资源与实践指导

🔗 关键依赖资源 (Resources)

• CLI 工具： moss evo CLI (通过 System Prompt 或 Bind-mount 注入，是用户交互的唯一入口)。
• 模型/插件： 框架支持多种外部代码代理，包括 Claude Code (Anthropic)、OpenAI Codex、DeepSeek-TUI 和 OpenCode 等。这增强了系统的灵活性。

🚀 脚本与代码参考 (Scripts/Code Reference)

1. 自动扫描脚本 (Conceptual catchup.py):

# 流程: 扫描 session_history.jsonl
def scan_for_failure(jsonl_path: str):
    """Reads session logs and flags non-deterministic state transitions."""
    # 实施: 调用底层 state-machine 状态验证器
    candidates = load_and_filter_sessions(jsonl_path)
    # 返回需要修复的失败证据批次
    return process_and_aggregate_failures(candidates)

2. 构建与部署流程 (Conceptual Handshake):

# 步骤 1: 检出 (Checkout)
docker build -t candidate:sha-$(date +%s) .

# 步骤 2: 预热测试 (Health Probe)
docker run --rm candidate:$(sha-dummy) ./run_health_check.sh

# 步骤 3: 部署 (Swap & Commit)
if [ $? -eq 0 ]; then
    echo "Health Check OK. Committing new state."
    docker commit $(get_container_id) new-stable:commit
else
    echo "Health Check failed. Rolling back attempt."
fi

(注意：此处的 ./run_health_check.sh 脚本依赖于宿主机环境的 Shell 和 Docker CLI)