Raven styrer fire egne og 13 eksterne KI-agenter, og skriver om sin egen agentløkke

«Ingenting installeres før det er verifisert, og en mislykket sjekk sender det tilbake.» Slik beskriver EverMind AI sikringen i Raven, et Apache 2.0-lisensiert rammeverk i Python som både fordeler oppgaver mellom KI-agenter og skriver om hvordan agentene selv jobber. Prosjektet ble lagt ut som Show HN på Hacker News tirsdag, og repoet har rundt 4 600 stjerner. EverMind kaller det selv pre-alfa.

Slik er det bygd

Raven er en vertsagent som lager en avhengighetsgraf (DAG) for oppgaven og deler den ut. Fire agenter følger med: Raven-Research for research, Raven-Code for koding, Raven-Design for lysbilder og grafikk, og Raven-Oncall for lange, ubetjente jobber. Eksterne agenter kobles på via ACP, CLI eller OpenAI-kompatible API-er, med ferdige oppsett for 13 tredjepartsagenter.

Hver agent har fire utskiftbare moduler: Memory styrer hva en runde får se, Planning hvordan arbeidet angripes, Capability hvilke verktøy som er tilgjengelige, og Action hva som gjøres og vurderingen før det kjøres. En egen agent, som README-en kaller Curator, skriver om disse modulene runde for runde til du er fornøyd eller rundebudsjettet er brukt opp. Den er eksperimentell og følger bare med i kildekoden, ikke i den installerte pakken. Minnet ligger i EverOS, EverMinds lokale minnelag basert på markdown-filer, og en ferdighetsmodul henter fra en katalog på 114 190 ferdigheter.

Hva den hevder å klare

README-en viser et førstepersons skytespill i Godot 4 som Raven bygde på rundt fire dager og 42 runder med planlegging, utvikling og verifisering. I nanochat-eksperimenter kjørte den 172 treningsløp over sju runder og kuttet val_bpb med 5,8 prosent innenfor det samme budsjettet på 20 minutter på én GPU. EverMind hevder også at Raven-Oncall slår Claude Code på både kvalitet og kostnad, uten at tallene står i teksten.

Mottakelsen på Hacker News var blandet. Én bruker fikk ikke prosjektene til å kjøre og fant ikke skytespillet til nedlasting. Andre stilte spørsmål ved selve premisset:

«Agenter som redigerer promptene sine og skriver minne til markdown-filer, er ikke RSI og vil aldri bli det.» — mpalmer, i Hacker News-tråden om Raven

Kritikken har noe for seg. Slik README-en beskriver det, er selvforbedringen automatisert justering av prompter, verktøyvalg og beslutningskode, med verifisering som vakt. Det kan likevel være nyttig, særlig hvis du allerede kjører flere kodeagenter og vil ha én plass å dirigere dem fra.

Hva bør du gjøre?

1. Start med Docker-varianten fra repoet (docker compose -f docker/docker-compose.yml up) i stedet for å pipe installasjonsskriptet rett inn i bash på maskinen din.
2. Kjør raven onboard og vurder for hver innebygde agent om den skal bruke modellen den er tunet for, som krever egen API-nøkkel, eller den samme modellen som resten av Raven.
3. Gi Curator et lavt rundebudsjett og les endringene den foreslår før du lar en agent kjøre på dem over tid.