撰文：张烽
你有没有这种感觉——你给 AI 助手装了一堆 Skill：天气查询、代码格式化、网页搜索、PDF 解析……它确实变强了，但总让人觉得哪里不对。
遇到新问题，它像第一天上班的实习生，手足无措。同样的坑，你教会了 Agent A，Agent B 照样掉进去。一个 Agent 摸索出的工作流，其他 Agent 永远学不会。你辛辛苦苦调教好的工具链，换个平台就得重新配置。
我们给 AI 装了越来越多的"器官"，但它始终没有长出"生命"。
这个问题困扰了无数 AI 开发者和重度用户。直到一个从微生物世界借来的灵感，正在试图改变这一切。
一、从轮虫说起：一个关于"借基因"的生物学故事
在淡水池塘的浮游生物中，有一种叫做蛭形轮虫（bdelloid rotifer）的微小生物。它只有头发丝那么宽，却在地球上存活了数千万年。
这本来没什么稀奇。但轮虫有个让生物学家惊讶的本事——水平基因转移（Horizontal Gene Transfer, HGT）：当环境压力出现时，轮虫会主动捕捉环境中的外源 DNA 片段，并将其整合进自己的基因组。它不靠有性生殖获得多样性，而是直接从细菌、真菌那里"借"来有用的基因。
比如，当真菌感染威胁时，轮虫会从细菌那里借来制造抗生素的基因，武装自己。当环境毒素增加时，它能整合解毒相关的基因片段。
正因如此，轮虫在缺乏遗传多样性的情况下，依然能应对千变万化的生存挑战。
Rotifer 协议的名字，就来自这个小生物。
它的核心思想很简单：为什么AI的能力不能像基因一样，被借用、被评估、被进化、被传播？
二、Skill vs Gene：你的 AI 缺的不是工具，是进化能力
先来看一个典型场景。
你给 AI 助手装了一个"网页搜索 Skill"。效果不错，它能帮你查资料、找文献。但过了一段时间，你发现它搜索效率不够高——明明可以先用 site:限定域名，它偏要傻搜全互联网；明明可以缓存结果，它每次都重新发起请求。
你去优化这个 Skill，改了代码，加了逻辑。但这个优化后的版本，只属于你。你的同事用的还是那个"原始版本"。隔壁公司的 AI 系统，也从来不知道这个改进的存在。
这就是当前AI能力生态的核心问题：Skill 是"工具"，而工具是不会自己进化的。
让我们用一张表看清这个区别：
|
你每天遇到的问题 |
Skill 的现状 |
Gene 的设计目标 |
|
装完就不变 |
装好 Weather Tool，一年后它还是那个 Tool |
Gene 在 Arena 中持续竞争，适应度低的逐渐被替代 |
|
经验不共享 |
Agent A 摸索出的好方法，Agent B 从零开始 |
高适应度的 Gene 可被其他 Agent 直接安装复用 |
|
安全靠信任 |
恶意 Skill 能偷你的 API Key，且无法预警 |
Gene 在 WASM 沙箱中运行，无法访问宿主文件系统和网络 |
|
平台锁死 |
LangChain 的 Skill 不能在 Claude 用 |
Gene 编译为标准 IR，可跨不同执行环境运行 |
Skill 是买来的工具，Gene 是可进化的能力单元。
这个区别意味着：工具需要人来维护，而 Gene 可以通过竞争自动优胜劣汰。当你的 AI 拥有的是"基因"而非"工具"时，它就不再是那个需要你手把手教的实习生——至少在能力选择上，它有了自主进化的可能。
三、Gene 是怎么工作的？
Rotifer 协议的架构借鉴了生物进化的基本机制。这里不讲抽象的层级编号，直接说它解决的四个核心问题。
第一个问题：Gene 在哪里执行？——WASM 沙箱
Gene 的核心逻辑被编译为 WASM（WebAssembly）字节码，运行在一个受约束的沙箱中。这个沙箱的安全模型不是"禁止某些操作"，而是从根本上不存在那些能力——Gene 默认没有文件系统访问权、没有网络调用权、没有系统调用权。
在沙箱之前，还有一道"宪法级"门控（L 0 Gate）：每个 Gene 执行前必须通过域名白名单、资源上限（内存、执行时间、计算量）、路径遍历防护等检查。不通过的 Gene 连沙箱都进不去，所有门控决策写入不可篡改的审计日志。
这套安全机制已经在 Rust Runtime 中完整实现并覆盖了单元测试。
第二个问题：怎么知道哪个 Gene 更好？——Arena 竞争
每个 Gene 在发布后会进入 Arena——一个按领域分区的竞争场。协议定义了一个适应度函数F(g)，综合评估 Gene 的成功率、资源消耗、鲁棒性等指标，自动为每个 Gene 打分排名。
同一领域内，适应度高的 Gene 排名靠前，更容易被 Agent 发现和采用。这不是人工推荐，而是基于实际表现的自然选择。
如果你改进了一个已有的 Gene，你可以通过 derivedFrom 字段声明来源，发布为新 Gene。原版和改进版在 Arena 同域竞争，F(g)决定谁胜出——类似开源世界的 fork，但多了一层自动化的优胜劣汰。
Arena 排名已在CLI和 Cloud Registry 中实现。
第三个问题：Gene 能跨平台用吗？——Rotifer IR
Gene 的核心逻辑编译为 Rotifer IR（中间表示，基于 WASM + Custom Sections）。这意味着一个 Gene 写一次，可以在不同的执行环境（协议中称为"Binding"）中运行。
目前已有两个 Binding 可用：本地 CLI 执行（Local Binding）和云端执行（Cloud Binding，基于 Supabase）。Web 3 Binding 正在内部开发中。
第四个问题：一个 Gene 出了问题怎么办？——集体免疫（设计中）
这是协议中最有野心的设计。当某个 Gene 被发现有安全漏洞或恶意行为时，协议设计了一套集体免疫机制：全网 Agent 收到警报，该 Gene 被标记为低信任度甚至被禁用，已经调用过的 Agent 获得修复提示。
这完全模拟了生物体的免疫系统——一个个体感染，整个种群获得抗体。
诚实地说：集体免疫机制目前处于协议规范设计阶段，代码实现计划在未来版本完成。 但这个设计方向值得期待——相比传统模式下恶意 Skill 可以潜伏数月不被发现，协议级的威胁广播将是质的飞跃。
四、Gene 的三种形态：不是非黑即白
Rotifer 协议有一个务实的设计：Gene 不需要一步到位。
协议定义了三种 Gene 形态（称为 Fidelity 等级），对应不同的成熟度和信任度：
|
形态 |
核心逻辑在哪 |
跨平台能力 |
Arena 竞争力 |
|
Wrapped |
原生语言执行（如调 MCP/API） |
低——依赖外部服务 |
有排名惩罚系数 |
|
Hybrid |
部分编译为 WASM，部分外部调用 |
中——核心逻辑可移植 |
标准排名 |
|
Native |
全部编译为 WASM |
高——真正的"编译一次，到处运行" |
完整排名权重 |
这意味着你可以先用 rotifer wrap 把现有的 Skill 快速包装成 Wrapped Gene，让它立即进入生态、获得评分。然后随着你对协议的理解加深，逐步把核心逻辑重构为 Native，提升它的竞争力。
不需要重写代码才能入场，但重构会带来真实的竞争优势。 这就像生物进化中的渐进适应——不是突变，是持续改良。
五、今天就能用
如果你在用 Cursor、Claude Desktop 或任何支持MCP的 AI 客户端，在配置文件中加一段：
{
"mcpServers": {
"rotifer": {
"command": "npx",
"args": ["-y", "@rotifer/mcp-server"]
}
}
}
重启之后，你的 AI 就能搜索和使用 Rotifer 生态中的 Gene。
如果你已经开发了自己的 Skill 或工具，想把它变成 Gene：
rotifer scan # 扫描评估你的项目
rotifer wrap # 包装成 Wrapped Gene
rotifer test # 运行 7 项自动化测试
rotifer publish # 发布到 Cloud Registry
发布后，你的 Gene 会获得适应度评分，进入 Arena 排名，被其他开发者发现和使用。
六、已经实现了什么，正在构建什么
技术项目最容易犯的错是把蓝图说成现实。这里坦诚地列出当前状态：
已实现并可用
WASM 沙箱执行（wasmtime，Rust 实现）
L 0 安全门控（域名白名单、资源限制、路径遍历防护、审计日志）
IR 编译器（TypeScript → WASM）
Gene 全生命周期 CLI（init / wrap / compile / test / publish / install）
Arena 排名（本地 + Cloud，按领域分区，适应度自动计算）
Fidelity 三级模型（Wrapped / Hybrid / Native）
Gene 衍生与溯源（derivedFrom 字段）
MCP Server（已发布 npm，可在 Cursor/Claude Desktop 等客户端使用）
Cloud Registry（基于 Supabase，50+个 Gene 已上线）
两个可用 Binding（Local + Cloud）
设计完成，分版本推进中
L 2 完整校准管道（静态分析→沙箱仿真→受控试运行，第一阶段已落地）
Gene 热加载/退役机制（运行时自动替换低适应度 Gene）
Gene 组合代数（Seq / Par / Try / Cond 四种组合算子）
协议规范已定义，代码在未来版本
P 2 P 网络（基于 libp 2 p，Gene 在节点间自动传播）
经济体系（Gene 使用的价值分配机制）
集体免疫（全网威胁广播和自动禁用）
Web 3 Binding（链上状态锚定）
这个列表可能不如"全部已实现"听起来性感，但它是真实的。一个诚实构建中的协议，比一个夸大宣传的白皮书更值得关注。
七、更大的图景：AI 能力的范式转移
从更大的视角看，AI 能力的交付正在经历三个阶段：
阶段一：Prompt。用户把需求写在提示词里，模型根据训练数据回答。能力封装在模型权重里，用户无法扩展。
阶段二：Tool / Skill / Plugin。用户安装外部工具，AI 调用它们完成任务。这是当前主流，但每个工具是孤岛，经验不共享，进化靠人工。
阶段三：Gene。能力以标准化的"基因"形态存在，被智能体发现、调用、评估、进化。这是 Rotifer 正在构建的方向。
这个 AI 能力范式转移的逻辑是：从"让 AI 用工具"，到"让 AI 长能力"。
当 AI 拥有的是工具时，它需要人类来维护、升级、防范风险。当 AI 拥有的是基因时，协议层面的竞争和选择机制可以自动完成这些事——发现更好的能力、淘汰低效的能力、对危险能力产生集体免疫。
这种差异，就像"给一个人一辆自行车"和"让一个人学会骑车"的区别。前者是外挂，后者是内化。前者需要持续的外部支持，后者一旦学会就是终身能力。
八、你的 AI 不应该是实习生
回到开头那个问题。为什么你的 AI 装了那么多 Skill，还是像个实习生？
因为实习生拥有的只是"工具"的使用权，而不是"能力"的进化力。你可以给实习生一台电脑、一个软件、一套流程，但他不会自己变强——除非他真正学会了。
Rotifer 协议做的事情，是让 AI 拥有一套"学会"的基础设施——标准化的能力封装、自动化的质量评估、协议级的安全保障、可移植的执行环境。
这不是科幻。轮虫已经这样活了数千万年，Rotifer 协议正在让 AI 走向同样的道路。
下一次你给 AI 装新能力的时候，问问自己：这是一个会凝固的 Skill，还是一个可以进化的 Gene？
Rotifer 协议 CLI 和 Cloud Registry 已可使用，支持所有 MCP 兼容的 AI 客户端。完整文档和入门指南见rotifer.dev。
