Yunjue Agent技术报告：面向开放式任务的完全可复现、零起步原位自进化智能体系统

传统智能体系统在任务分布持续漂移、外部监督稀缺的开放式环境中常常表现不佳。它们对静态工具集或离线训练的依赖滞后于这些动态变化，使系统的能力边界僵化且不可知。为此，我们提出原位自进化范式。该方法将连续的任务交互视为连续的经验流，使系统能在无法访问真实标签的情况下，将短期执行反馈蒸馏为长期可复用的能力。在该框架内，我们将工具进化识别为能力扩展的关键路径，因为它提供可验证的二元反馈信号。在此框架内，我们开发了Yunjue Agent，一个通过迭代合成、优化和复用工具来应对新挑战的系统。为优化进化效率，我们进一步提出并行批量进化策略。在零起步设置下跨五个多样基准的实证评估显示，相较专有基线取得显著性能提升。此外，互补的热启动评估确认所积累的通用知识可无缝迁移到新领域。最后，我们提出一个新指标来监测进化收敛，其作用类似于传统优化中的训练损失。我们开源代码库、系统轨迹和进化出的工具，以促进韧性自进化智能的未来研究。