Skills刚爆火，又有新的Agent范式来搅局了……
根本不用Skills，也不需要上GitHub翻项目、找工具。直接把需求丢给Agent，它能一边干活，一边给自己造装备。
是的，完全不需要人类伺候，也不用给AI师傅递板手、搬梯子。
工作中遇到啥需要用的装备，Agent能自己直接「进化」出来。
以Gemini 3 Pro为后端，在地狱级评测HLE（Humanity’s Last Exam）上一骑绝尘，仅次于GPT5.2-Pro智能体。
在几个高难评测集里，比官方未披露方法的含工具使用的结果，高了将近20分。
甚至还是One take，一口气跑出来的。
这是刚刚新发的一篇论文。
会自己造工具的Agent
发现这篇论文，还是因为前几天刷到了个demo。
第一眼看上去，只是个很普通的交互场景：用户有个任务需求，丢给了Agent一串Prompt。
找找2023届毕业生中，哪些州的ACT考试参与率达到或超过50%，且平均综合分数在20分及以上。并给出这些州中，各州学生达到科学基准的比例。
然后Agent开始做分析、规划任务，挑选可能会用到的工具。
目前为止，一切都还很正常。
但说实话，感觉这个demo选的任务不是很好，太开放，不像是现有工具能一次解决的，估计得迭代对话不少次。
嚯！果然出问题了，工具不够用，干不下去。
诶，等一下……
它怎么开始自己造工具了？？用错了还能修复？
有点过于魔幻了啊。感觉就像动物园里，前一秒还躺着剥香蕉的猩猩，转头一看，一个跟头翻起来，开始钻木取火了。
我赶紧把论文翻出来，从头到尾扒了一遍，
不看没事，这一看，扒出来一堆更让人细思极恐的细节。
这家伙，居然靠这种方式，在只有一次答题机会的5个评测集中，造了128个工具！！
是的，白手起家，从0开始，一个一个捏到了128。
简直是天崩开局。
更惨的是，研究人员还一上来就把它扔进了地狱级的Benchmark—HLE（Humanity’s Last Exam）上，和基于GPT、Claude、Gemini的这些Agent怪物同台竞争。
不过，意料之外的事情发生了。
遇到「打」不过的题目，这家伙居然会自己造武器。
一路边打怪，边合成装备。
等把HLE两千多道题刷完，它已经悄悄攒了97把大宝剑。
这还没完，它又背着这九十多把大剑，前往了更多样的Benchmark试炼场——DeepSearchQA、FinSearch Comp、XBench。
还是故技重施，继续造工具，继续打怪升级。
一直刷到将近4000道题时，它突然停了，不造装备了。
趋势上也有迹可循，下面这条曲线，前期增速很快，后面明显开始出现边际效应递减。
最终，工具数量稳定收敛在128个。
像是知道这些已经够用了一样。
这点非常关键。说明前面的工具不是乱造的，而是真的具备可复用性。
所以在积累到128个工具时，Agent才会突然发现：旧工具已经可以覆盖绝大多数新任务，没必要继续扩张。
再看这张图更直观——两种策略下的Agent性能统计对比，ZS代表从零工具起手，WS代表前面说的按数据集顺序的知识迁移策略。
在WS策略下可以明显看到：旧工具越多，新工具越少。甚至在最后两个XBench阶段直接归零。
下面这张图更有意思，这是这个Agent最爱用的50个工具。
排名第一的是「网页搜索」，断崖式第一。
后面跟着的也都很眼熟：内容获取、计算器、文件下载、学术论文搜索、PDF处理……
简直和人类的工作习惯一模一样啊，都是些通用的基础工具。而且复用率非常高，马太效应极其明显。
这么看来，它可能真不是为了造工具而造工具，而是真的像人一样，在工作过程中沉淀出了一套方法论，并且能在不同任务之间迁移。
实验结果也印证了这一点。
这只会自己造工具的Agent，在刚刚说的那五项Benchmark上，几乎全部一骑绝尘。
全方位碾压基于Gemini 3 Pro的Agent，在需要复杂检索与推理的任务中，甚至能高出十余个百分点。
原位自进化框架
怎么做到的？
研究团队用了一种全新框架，叫原位自进化 （In-situ Self-evolving Agent）。
第一眼没太看懂，但隐约感觉是个很性感的概念。
仔细研究了一下，发现行业其实一直在做自进化（Self-evolving Agent），但和原位自进化是两件事。
普通自进化，大都发生在训练阶段。高度依赖高质量外部监督信号，必须有专家提前选定进化领域，一个模型出题或标注好答案，再让新模型基于这些标注题目，开始最大化目标函数的进化。
这种模式呢，往往是基于一个长期目标做优化，可以从根本上重塑模型的大脑。
最常见的交付结果，就是现在各种模型厂商在做的：炼丹，发一款新模型上来炸场。
但缺点也很明显。
工程量巨大，反馈链路极长，因此只能在训练阶段完成。一旦上线，就没有「进化」这一说了。
而原位自进化，是一种发生在推理阶段的自进化。
不需要外部监督，也没有真值，光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。
换句话说，只要上线，模型就能做到「边做边学」。
读到这里，肯定有读者要问了：
这难道就是AI行业一直苦苦追寻的明珠，自主学习吗？
只要训一次，后面就能在线上不断习得新能力，甚至抵达智能爆炸的奇点，实现ASI。
事实上，在2025年的云栖大会上，阿里CEO吴泳铭就曾指出：
ASI一定会到达，并且此前的一个关键节点，就是AI能够自进化。
但值得注意的是，行业在谈ASI的这种自进化时，更多还是指参数层面。
而原位自进化关注的是另外三件事：工作流、记忆、工具。
肯定不是那么「终极」的解决方案，但也更现实可行，马上就能开始干。
记得几周前参加大模型清华论剑时，也听到姚顺雨提过类似观点：
自主学习其实已经发生了，ChatGPT会根据对话过程不断拟合聊天风格，Claude的Agent代码库95%都是模型自己写的。
云玦科技的Agent，正是采用的这种现在就能落地的「原位自进化」，但他们走的路线比较特殊——工具优先。
团队认为，工作流路线，容易对少数任务过拟合，思路一旦固化，很难泛化；
而记忆路线，又绕不开LLM天然存在的幻觉问题，一旦Token上来，偏差会像雪球一样越滚越大。
从第一性原理出发，工具才是最符合直觉的进化载体。
首先，工具直接决定了Agent的能力边界。
人类基于地球资源制造的一切奇观，都是以新的生产工具为基础。AI也一样，积累再多上下文，没有铲子，也只能坐在金矿上发呆。
其次，工具执行天然自带高质量监督信号，不需要人类标注。
工作流好不好、记忆靠不靠谱，很主观；但工具能不能用，直接看代码报没报错就行。这就是所谓的二元判别信号 （Binary Feedback）。
并且，通过形式化验证的代码，可以最大程度保证安全性，放心让Agent去执行API调用、数据库读写这些底层操作。
也不用担心会不会捡了芝麻丢西瓜。待工具基本收敛后，再去补齐工作流和记忆，依然来得及。
基于上述思考，团队以「工具优先」为理念，打造了一支可实现原位自进化的Agent军团。
由四个角色组成——
首先是管理者 （Manager），负责统筹大局。
在收到用户需求后，它会分析任务、拆解目标，并与现有工具库对齐，看看有没有现成工具可用。
如果发现能力不足，管理者就会指挥工匠 （Tool Developer），现场捏一个工具，并立刻在当前上下文中完成配置。
准备就绪后，执行者 （Executor）会拿这些工具开始处理任务。
如果发现还是搞不定，它会暂停执行，向管理者汇报。
管理者收到信息后，重复前面的流程，继续补工具、补能力，直到任务能完整跑通为止。
任务完成后，交给整合者 （Integrator），对执行历史和中间结果进行整合，生成最终回答。
还有最后一步。
对话结束后，系统会对整个过程进行复盘，更新自己的工具库，并将迭代过程蒸馏、沉淀为可复用的方法论。
为了能更好地监测Agent的进化情况，团队还引入了个叫「测试时收敛」（Test-Time Convergence）的定量指标，作用和传统优化中的Training Loss类似，方便直观感受AI的学习情况。
听上去简直是个完美的解决方案，但在实际操作中遇到了问题。
如果严格按这条路线来，进化流程非常长，而且Agent必须一个任务跑完，才能进化一次，效率实在太低。
于是，团队引入了Parallel batch。
别一个一个跑了，直接把一批相似任务打包在一块，一起丢给Agent。
等着一整个Batch跑完后，Agent就能得到一个巨大的经验包，一次性喂饱知识库。
至此，一只能从零开始自我进化的Agent，诞生了。
无需任何事先训练，完全依靠工具的自进化来拓展能力，还在各种Benchmark上取得媲美SOTA的成绩。
最后再划个重点——
这套能媲美SOTA的自进化框架，还是开源的。包括上述实验的所有日志数据，评测脚本和结果，也都向社区开放。
又是一套可以直接落地部署的开源方案。
又是一项来自中国团队的研究。
只花了15万元实验经费的研究团队
这支团队来自云玦科技，这是前阿里巴巴集团副总裁彭超创办的AI公司，剑指可穿戴通用智能体。
而这篇论文的通讯作者，正是云玦科技的联合创始人兼CTO——齐炜祯。
齐炜祯曾任中关村人工智能研究院研究员、中关村学院大模型博士培养方向导师。现在虽然投身AI创业，但仍以兼职身份担任中关村学院的科研共建导师。
他是MTP架构（ProphetNet）的第一作者。这套多词元预测方法，在Meta研究机构FAIR 2024年的高影响力论文 Better & Faster Large Language Models via Multi-token Prediction中，齐炜祯第一作者研发的ProphetNet，被明确视为提出多Token预测架构的原创来源和定义出处。
工业界也在为这项研究背书，DeepSeek V3、Qwen-3-Next等多款主流大模型，当将其作为核心预训练方法。
量子位听说，DeepSeek今年年底即将发布的新架构论文，依然会引用这项工作，Qwen 3.5大概率也会继续沿用。
齐炜祯本科就读于中科大，最早学的是物理，后来转向计算机。
本科毕业后，他成为中科大与微软亚洲研究院的联培博士生，在这里积累了大量偏工程落地、以实际应用为导向的科研经验。
ProphetNet就是其中之一，除此之外，他还是Visual ChatGPT的核心作者。
该项目开源仅一周就收获了3万Star，开创性地定义了以LLM为中心的、调用多模态工具以完成复杂视觉任务的Agent范式。
在推理优化方面，他是业界首批提出KV Cache优化 （EL-Attention）的学者，其核心思想与后来DeepSeek提出的MLA等高效推理部署算法高度一致。
谷歌学术显示，齐炜祯的论文引用数已超过3000，h-index为17。
这篇论文的一作有两位，都是在云玦科技实习期间参与的这项工作。李昊天，哈工大博士生，杨释钧，中科大硕士生，他们在此之前都有多段大厂的实习经历。
还听说个有意思的事。
论文里的所有数据集和实验结果都是One take，完全靠同一个架构，一口气跑出来的。
这当然说明了这项工作的稳健性。但事实是，就算结果不好，也只能认栽。
团队只设定了15万元的研究经费，也就只够跑一次完整的推理实验。
也正因为如此，他们最开始也没法选择那些依赖大量人类标注、需要反复调参的方案。
只能赌一把。
赌原位自进化，赌「工具优先」，赌Agent能自己涌现出通用能力。
开源阵营的又一核武器
对于To C场景来说，AI始终面临着「开放性、可控性、经济性」的不可能三角。
LLM虽能处理开放性问题，但幻觉始终是硬伤，这在金融、医疗等场景下是不可容忍的。更别说，还要时刻面对防不胜防的提示词注入攻击。
成本同样是个大问题。完全依赖大参数模型的CoT推理，在To C服务动辄亿级日调用量的背景下，得烧出来个天文数字。
为了解决这个问题，垂直Agent应运而生。
提前把流程给设计好，工具也是固定的，以换取极低的成本和极高的安全性。
但代价也很明显：几乎没有自由度，Agent只能处理像「预定机票」这样的标准化需求。
可真实世界的人类需求，永远是高度发散的。就拿订机票这件看似没什么技术含量的事来说：
老板想订去巴黎的机票，但他护照快过期了，先帮我查一下签证加急流程，再决定要不要订。
这还只是一个例子，不同长尾场景下需要的新Context千差万别，不可能每个都能提前覆盖到。
而一旦用户意图超出了预设流程的边界，系统要么瘫痪，要么陷入死循环。
想要同时兼顾安全性、低成本，又能处理开放性需求，唯一的路，只能是让Agent在真实工作中学习。
这正是这篇论文给出的答案——「工具优先」的原位自进化。
能力边界的问题，可以交给工具集来解决；可控性，也能通过代码的执行反馈来约束。
甚至工作流也能自进化，通过模拟大量长尾场景，靠自我博弈与经验蒸馏，不断生成新的策略组合，探索各种工具组合路径。
而一旦某条路径被反复验证有效，它还会被「固化」为静态模板。遇到用户请求，Agent可以优先匹配这些模板，如果合适，直接填参数执行即可，无需再跑一遍昂贵的大模型推理。
关键是，这套能「越用越好用」的自进化架构，是开源的。
从工业角度来看，这个项目还和常规的AI开源项目不太一样。
事实上，今天虽然已经有很多开源模型，但开源阵营的整体声势，远没达到当年Linux在互联网时代那种级别。
没办法，Linux的飞轮太容易转起来了，只要代码不报错，通过审核就能合并上线。
所以，就算Linux最开始只有1000个社区成员，他们每天能贡献的代码量也是相当恐怖的；而Linux每一次进化，又会吸引更多开发者参与，这是典型的网络效应。
AI很难这么做，反馈路径太严格，对数据质量的要求极高。
这种时候，用户增长基本对模型能力没什么贡献，最多能反映出个宏观偏好，还会持续消耗昂贵的推理算力。
这也是为什么MiniMax CEO以及不少AI创业者都认为：AI产品的用户太多，未必是好事。
但这个问题，并非没有解法。
Skills的爆火已经证明——
开源始终是一座金矿，只是需要合适的工具去开采。
Skills是开始，原位自进化，走向Zero Skill，或许是下一步。
以DeepSeek为代表的一众开源模型，已经在全球范围内铺开了足够大的市场。
如果能用原位自进化，赋予其「越用越好用」的动态优势，再去和闭源模型正面掰手腕，甚至弯道超车——
不是不可能。
