经典 AutoGPT 与 Forge
回到 2023 那个引爆"自主 AI 智能体"热潮的原始 AutoGPT。读 classic/ 的 think→plan→act 循环和 Forge 框架——理解整个 Agent 领域的来路。
👶 小白：经典 AutoGPT 当年那么火，为什么反而被"退役"、团队转去做平台？
👨🏫 老师：正因为它是个"自言自语的独行侠"——给个目标就自己 think/plan/act 一路狂奔。问题是不可控：会跑偏、会陷入死循环、会把 token（钱）烧光还给你编数据，没法交给企业用于生产。于是团队把"一个人放飞"改成"你搭好流水线、AI 只在每个工位上发挥"的工厂（平台）。这正好呼应 Day 01：整个行业都在从"炫技的放飞"走向"可靠的工程化"。
回到 2023
classic/original_autogpt/README.md:1 原文："AutoGPT is an experimental open-source application... driven by GPT-4, chains together LLM 'thoughts', to autonomously achieve whatever goal you set. As one of the first examples of GPT-4 running fully autonomously..."
classic/README.md:6 明确它已停止维护、建议用 Platform。think → plan → act 循环
经典 AutoGPT 的核心是一个自主循环（classic/README.md:13 概括）：
web_search("扫地机器人 品牌 排名") → Observe 得到一串品牌名。第 2 轮 · Think「挑 3 家，逐个查参数」→ Act
browse_website(品牌A官网) → Observe 抓到价格/吸力。第 3 轮 · …重复查 B、C… → 第 N 轮 · Think「资料齐了」→ Act
write_file("对比.md") → 目标达成，结束循环。全程没人逐步指挥——每一轮都是 LLM 自己看着上一轮的结果决定下一步。这就是
cycle_count 在数的东西。Agent 循环源码
while 循环：每轮把"目标 + 历史观察"塞进 prompt → LLM 吐出"下一步动作" → 代码真的去执行工具 → 把结果喂回下一轮。cycle_count += 1（agent.py:337）就是这个循环在计数。是"循环 + 工具执行 + 把结果回灌"这层外壳，把一次性的 LLM 变成了能持续行动的 Agent。这正是后来所有 Agent 框架的共同内核。classic/original_autogpt/autogpt/agents/agent.py 的 Agent 类（:128）体现循环：
# propose_action (agent.py:266)：收集 directives、准备消息、构建 prompt、
# 调 LLM complete_and_parse 得出下一步动作，cycle_count += 1（:337 —— "循环"计数！）
# execute (agent.py:373)：执行 LLM 选定的工具/命令
# （支持并行执行多工具 _execute_tools_parallel, :499）cycle_count += 1（:337）——这个"循环计数"就是自主循环的字面证据。propose_action（想下一步）+ execute（做）反复交替。和现代框架比，它更"放飞"——LLM 决定每一步该干什么，没有预定义的图/流程约束。complete_and_parse 把 LLM 的自由文本输出解析成结构化动作——和 CrewAI 的 parser（Day 07）一个道理。组件化 pipeline
经典 AutoGPT 后期用了组件化设计（run_pipeline）——SystemComponent、DirectiveProvider（提供 resources/constraints/best_practices）、CommandProvider（提供可用命令）、MessageProvider，还有 prompt 策略如 TreeOfThoughtsPromptStrategy、plan_execute、ReWOO。
TreeOfThoughts（思维树，探索多条推理路径）、ReWOO（推理与观察分离）——都是当时前沿的"如何让 LLM 更好地规划"的技巧。经典 AutoGPT 是这些 Agent 提示词技巧的试验场。组件化（把 directives/commands/messages 拆成可插拔组件）则是为了让 Agent 行为可定制——这个思想后来演化成了 Platform 的 Block（更彻底的组件化）。Forge 框架
classic/forge/ 是"造 Agent 的脚手架框架"（README.md:155）："a ready-to-go toolkit to build your own agent application. It handles most of the boilerplate code..."。目录含 agent/、agent_protocol/、command/、components/、llm/、file_storage/、permissions.py。
agbenchmark（基准测试）——目标是让"造 Agent"标准化、可评测。它是早期"Agent 框架"的探索之一。虽然现在停维护了，但它验证了很多想法（组件化、Agent 协议、基准评测），这些想法在后来的框架（包括 AutoGPT Platform、你学过的 eino/CrewAI）里都能看到影子。Forge 是那个"人人都想造 Agent 框架"年代的产物。权限沙箱
经典 AutoGPT 的 Agent 在 workspace 沙箱中运行，有分层权限系统 allow/deny（classic/README.md:114）——默认拒绝 .env、sudo、rm -rf 等危险操作。
rm -rf？），经典 AutoGPT 就有了 workspace 沙箱 + 权限系统。这正是 OpenHands（Day 09/17 的沙箱、Day 17 的纵深防御）继承并发扬的思路。不过经典版的隔离没那么严——classic/README.md:182 明确说"该代码有已知漏洞、仅供学习"。"能自主执行的 AI 必须被沙箱和权限约束"——这个教训从 AutoGPT 诞生起就存在，一直贯穿到今天所有 Agent 系统。为什么它转型了（呼应 Day 01）
经典 AutoGPT 的核心问题：全自主 = 不可控。它经常：跑偏（理解错目标）、陷入循环（反复做无用功）、烧钱（每轮都调 GPT-4）、结果不可靠。demo 惊艳，但难以用于真实生产。
今日小结 + 动手
🧠 今天你应该能回答
- 经典 AutoGPT 2023 年为什么震撼？"fully autonomously"什么意思？
- think→plan→act 循环和现代框架的循环什么关系？
- 经典版和 Platform 在"控制"上的本质区别？
- Forge 是什么？历史地位？
- 为什么"全自主"难以生产化？整个行业怎么觉悟的？
✋ 动手：读起源代码
cat classic/original_autogpt/README.md | head -20
grep -n 'cycle_count\|def propose_action\|def execute' \
classic/original_autogpt/autogpt/agents/agent.py
ls classic/forge/forge/
sed -n '114,180p' classic/README.md # 权限系统