AI Agent的发展正迎来新范式。一项来自中国团队的开源研究展示了无需预置技能的代理，它在执行任务时能根据需要自主创建工具，并以这种方式在多个高难度评测中取得领先。这种在推理时自我进化的能力，为解决AI的开放性与可控性难题提供了新思路。
智能速览
一种新的AI Agent范式，无需预置技能即可工作。
在执行任务时能动态创造并复用工具以扩展能力。
基于“原位自进化”框架，在推理阶段实现边做边学。
在多个高难度评测中性能超越现有模型，最高高出近20%。
该框架已开源，或成开源AI阵营的竞争力武器。
精华内容
这种能自我进化造工具的Agent究竟是如何实现的？其背后名为“原位自进化”的框架，与传统的进化方式有何不同，又为何选择“工具优先”这条路线？
惊人的实战表现
这种新型Agent的能力在多项基准测试中得到验证。在地狱级评测HLE上，它仅凭一次答题机会就创造了128个工具，性能比官方未披露方法的结果高出近20分。
更有意思的是，工具数量并非无限增长，而是在处理近4000道题目后稳定收敛在128个。这表明其创造的工具具备高度的可复用性。
它最常创造的工具如“网页搜索”、“计算器”、“PDF处理”等，与人类工作习惯高度相似，仿佛沉淀了一套通用的方法论。
何为原位自进化
该研究的核心是“原位自进化”框架。这与行业常见的自进化不同，后者发生在训练阶段，依赖外部监督信号和海量数据，成本高昂且无法在线上实时更新。
而原位自进化则发生在推理阶段。它无需外部监督，仅依靠模型内部的反馈和上次交互的经验，就能在执行任务的过程中蒸馏出可复用的技能，实现“边做边学”。
为何工具优先
研究团队选择了“工具优先”的独特路线。他们认为，工作流容易对少数任务过拟合，而记忆则绕不开大模型的幻觉问题。
相比之下，工具是更符合直觉的进化载体。工具直接决定了Agent的能力边界，且工具执行能提供天然的二元反馈（成功或失败），易于验证和控制。
通过优先积累工具，后续再补齐工作流和记忆，是一条更现实、更安全的路径。
四角色协同工作流
为了实现自进化，团队设计了一个由四个角色组成的协同系统：管理者负责分析任务和拆解目标；工匠负责在工具不足时现场创造新工具；执行者使用工具处理任务；整合者则负责整合历史和结果，生成最终回答。
任务结束后，系统会进行复盘，更新工具库，将迭代过程沉淀为可复用的方法论。团队还引入了“Parallel batch”机制，通过并行处理相似任务来加速进化进程。
这项研究为构建“越用越好用”的AI系统开辟了切实可行的路径，尤其对开源社区意义重大。当开源模型也具备了动态进化的能力，未来的AI竞争格局是否会因此被重塑？
关键评论
有观点认为，这并非真正的自进化，而是AI在已知领域内利用编程能力解决问题，更像是临时造工具而非创造全新能力。
也有网友精炼地指出，AI Agent的终极形态可能就是彻底摆脱对预置技能的依赖。
一条评论肯定了这一方向，认为AI理应具备从公网寻找工具或自行创造工具的自主性。
