一句话定义：Mini-AGI 不是某个模型的注册名，而是一类做法的统称——用参数规模不大（通常几 B 到十几 B）的小模型，在消费级硬件（比如 8GB 显存的显卡）上，做出"通用智能"最关键的几个行为：自主规划、调用工具，并把使用中遇到的新知识持续写进自己的参数里。
为什么叫"Mini"又敢叫"AGI"
AGI（Artificial General Intelligence，通用人工智能）的门槛通常被理解成"什么都能干、还会自己学"。传统大模型只满足前半句：训练完权重就冻结，今天告诉它的事，明天开新对话它就忘了。Mini-AGI 的思路是——先不追求"什么都会"，只追求"会学"，把体量压到一张普通显卡装得下。
打个比方：大模型像一位博学的教授，知识渊博但没法天天来找你补课；Mini-AGI 更像你带的实习生，脑子不大，白天跟你干活时记笔记，晚上把笔记整理一遍，重要的直接刻进脑子。前者靠"更大的书库"，后者靠"更好的记忆巩固"。
8GB 显存上怎么做到持续学习
难点在于：全参数微调一个 7B 模型，光优化器状态就要几十 GB 显存，消费级卡放不下。所以这条路线的做法通常是三件事叠加：
1. 参数高效微调（PEFT，代表是 LoRA）：冻结原模型，只训练一小块低秩适配器，显存占用降一到两个数量级，剩余显存才够做在线更新。
2. 记忆分层：不是所有东西都值得写进权重。临时信息放AI 词典：上下文窗口">上下文窗口，事实性知识放外挂向量库（即检索增强生成 RAG），只有反复出现、真正稳定的模式才"内化"进参数——这跟人脑把短期记忆转成长期记忆是一个道理。
3. 抗遗忘：持续学习最大的敌人是灾难性遗忘（catastrophic forgetting），学了新的忘了旧的。常见对策是回放旧样本、给参数更新加约束、或为不同任务保留独立适配器。
和相邻概念的区别
| 概念 | 知识从哪来 | 是否改变权重 | 硬件门槛 |
|---|---|---|---|
| 大模型 + 长上下文 | 当前对话 | 不会 | 高 |
| RAG / 普通智能体 | 外部检索库 | 不会 | 低 |
| 传统微调 | 一次性离线数据 | 会，但训完就停 | 高 |
| Mini-AGI | 使用过程 + 外部记忆 | 会，且持续更新 | 消费级（如 8GB 显存） |
一句话：RAG 是"临时查书"，Mini-AGI 是"把书读进脑子"。
对从业者和普通人的意义
对从业者，这意味着"持续学习"从论文题目变成了能在笔记本上验证的工程问题；评估重点也从跑分转向"用了一周之后，它有没有变聪明、有没有变糊涂"。对普通人，最直接的变化是隐私和成本：数据不必上传云端，本地小模型边用边学，逐渐贴合你的写作习惯、行业黑话和常用流程。
需要提醒的是，这条路线还很早期：多少参数、什么数据配比最划算、学多久该停，都还没有定论，不同项目实现差异很大，具体能力以官方页面为准。但它代表的判断很清楚——通用智能未必只靠堆参数，把"学习"这件事做扎实，小模型也有自己的路。