无需Skills！首个自造工具AI Agent横空出世，原位自进化

type

status

date

slug

summary

什么是“原位自进化”框架？

传统的AI进化往往发生在训练阶段，依赖海量的数据标注和昂贵的算力，一旦模型训练完成上线，它的能力基本就固化了。然而，这项由云玦科技团队提出的“原位自进化”框架，将进化的过程推向了推理阶段。

这就意味着，Agent不需要外部监督信号，也不需要标准答案。它仅靠模型推理时的内部反馈，以及上一次交互中积累的经验，就能蒸馏出可复用的通用技能。这种“边做边学”的能力，被认为是通往ASI（人工超级智能）的关键节点。与行业内常见的通过微调（Fine-tuning）来提升模型能力不同，原位自进化关注的是工作流、记忆与工具的动态生成。对于渴望了解最新AI资讯的开发者和研究者来说，这无疑是一个巨大的启发：智能的涌现可能不完全依赖于参数规模，更在于执行机制的创新。

从零开始：128个工具的自我诞生

该研究最令人震撼的细节在于其“从零构建”的过程。在实验中，Agent被投入到包括HLE（Humanity’s Last Exam）在内的多个高难度评测集中。面对从未见过的难题，它没有报错罢工，而是开始编写代码、制造工具。

数据显示，在处理了数千道题目后，该Agent自主生成的工具数量稳定收敛在128个。这个数字非常关键，它揭示了两个重要事实： 1. 工具的通用性：Agent并非为了造工具而造工具，它发现旧工具可以覆盖绝大多数新任务，说明它沉淀出了一套类似人类工作习惯的方法论。 2. 马太效应：使用频率最高的工具包括网页搜索、文件下载、PDF处理等，这与人类专家的工作流惊人一致。

这种自我收敛的特性，证明了大模型具备在无监督环境下提取通用解决范式的能力。这对于关注AI变现和应用落地的企业来说，意味着未来的AI系统可能不再需要庞大的预设插件库，从而大幅降低开发和维护成本。

“工具优先”：解决AI幻觉的新路径

在通往更强智能的道路上，存在三条主要路线：工作流（Workflow）、记忆（Memory）和工具（Tool）。该团队坚定地选择了“工具优先”策略，这基于第一性原理的深刻思考。

LLM（大型语言模型）天然存在幻觉问题，单纯依赖记忆或长上下文，偏差可能会像雪球一样越滚越大。而工具（即代码）具有天然的二元判别信号——代码要么运行成功，要么报错。这种“非黑即白”的反馈机制，为Agent提供了最高质量的自我监督信号。

此外，通过形式化验证的代码，最大程度地保证了安全性。在金融、医疗等对准确性要求极高的领域，这种可控性至关重要。这也正是当前AI新闻中经常讨论的如何解决大模型落地“最后一公里”难题的有效解法。

低成本高回报：开源阵营的“核武器”

令人惊讶的是，取得如此SOTA（State Of The Art）成绩的研究，其背后的实验经费仅为15万元人民币。在DeepSearchQA、FinSearch Comp等多个Benchmark上，这个自进化Agent全方位碾压了基于Gemini 3 Pro的传统Agent，甚至在复杂推理任务中高出十余个百分点。

更重要的是，这套框架是完全开源的。在当前开源与闭源模型激战的背景下，原位自进化技术为开源阵营提供了一把“越用越好用”的利器。如果开源模型能够利用这一机制，在用户的使用过程中不断自我迭代，那么通过网络效应积累的优势，或许能让其在与闭源巨头的竞争中实现弯道超车。

结语

从Skills的爆发到Zero-Skill Agent的出现，AI进化的速度远超我们的想象。原位自进化不仅展示了一种新的技术架构，更预示着AI正在从“被动执行”向“主动创造”转变。对于每一个关注人工智能未来的人来说，这都是一个值得密切跟踪的信号。

想要获取更多关于大模型、Prompt技巧以及最新的AI日报资讯，请持续关注 AINEWS，我们将为您带来最前沿的深度解析。