允中 发自 凹非寺量子位 | 公众号QbitAI

Agent明明越用越强，怎么还会被环境“绊倒”？

同事拿Agent整理报表，一路顺畅。你换成自己的文件，模型、工具、流程都没动，却开始反复试读、频繁返工。

模型没变，Harness没变，只换了个环境，为什么就不灵了？

文件位置不同、数据格式混杂、模板约束变化，原本有效的方法都可能失效。模型负责推理，Harness负责组织执行流程，但Agent还得自己判断：眼前的环境是什么样，过去的经验还管不管用？

这也点出了Agent持续自我改进中一个常被忽略的问题：Agent不光要从任务里学会“怎么做”，还得判断这些经验在什么环境下依然成立。

在RSI（Recursive Self-Improvement，递归自我改进）的持续优化过程中，Agent能借助任务反馈改进执行方法、积累可复用经验。可一旦对环境的认知没同步更新，过去有效的经验反而可能变成新的障碍：接口条件变了，还在重试旧调用；数据格式变了，还在沿用旧规则。

一次失败，到底该改方法，还是该纠正对环境的认识？

Agent遇到的这道新难题，其实藏着认知科学里的老线索。

认知科学对知识结构的研究，为区分这两类问题提供了启发：

1983年，认知科学家John R. Anderson在ACT-R相关理论研究中，系统讨论了人类知识中的两类重要形式：

• 陈述性知识（Declarative Knowledge）：描述“世界是什么样的”。例如，关闭的容器会遮挡内部物体，打开后才能观察。
• 程序性知识（Procedural Knowledge）：讲的是“该怎么做”。比如要找好几个同类东西，碰到第一个不算完，还得接着翻别的地方有没有。

之后，Larry Squire等研究者从神经心理学上确认，这种分离有生物学基础——两类知识由不同脑区负责，学习速率和提取方式都不同。

落到Agent身上，这个角度就能看出：摸清环境和学会做法彼此牵连，但验证和更新的路子并不一样。环境判断得对照现场实际情况去核实，行动方法则要看在对应条件下管不管用。两者混在一起，麻烦就来了——要么把碰巧奏效的操作误当成稳定规律，要么环境已经变了还在照搬那套失灵的办法。

顺着这条思路，openJiuwen在RSI方向的持续探索中进一步提出TTSE（Two-Track Self-Evolution，双轨自演进）。

在此前发布的双维度RSI框架介绍中，openJiuwen已通过Harness+Artifacts双维度优化，让Agent能够基于真实任务反馈，持续改进工作方法与交付成果。TTSE则进一步聚焦经验本身的可靠性与可复用性：既让Agent积累有效的执行方法，也持续校正对环境的认识，避免经验在环境变化后失效。

为此，TTSE借鉴认知科学对陈述性知识与程序性知识的区分，把任务中获得的经验分成两条轨道：

• FACT（环境事实）：持续核对和更新“这个环境是什么样的”。
• TIP（条件式技巧）：持续改进“在这些条件下应该怎么做”。

TTSE双轨框架：搭建反馈驱动的经验自演进闭环

分清经验的类型，只是第一步。怎么让Agent从任务反馈中持续学习，并把有效经验转化为下一轮执行的改进？

RSI的核心思路正在于此：让真实任务反馈推动改进，改进后的结果又在后续执行中反复验证、持续优化。TTSE把这条路子落到了经验管理上——任务分批跑，已有经验不断接受新证据的检验，哪些该留、哪些要改、哪些该退，逐一判定后再拿更新过的经验去跑下一轮任务。

整个框架分成四块：双轨知识表示、冷启动、在线增量演进、最终输出与评估。结构如下图：

第一块是双轨知识表示，目的是让环境事实和执行方法各自都有依据。FACT管的是环境本身的属性与规律，讲究能直接验证，也讲究在适用场景下跨任务保持稳定；TIP管的是特定任务条件下的做法，写成“在什么条件下，执行什么操作”的形式。

两类知识各有一套独立编号、呈现方式和证据追踪机制。每条经验因此都能单独引用、核对、更新。执行出了问题，也能顺着追到究竟是哪条事实判断或哪条操作建议起了作用。

分类怎么定？框架看经验描述的主体是什么、起什么作用来判断（具体分类依据mechanism展开）。碰上拿不准的内容，默认扔进TIP，免得没经过充分验证的操作经验被当成环境事实。

第二块是冷启动，从首批任务里归纳出初始经验。

TTSE的起点是空规则库。Agent先跑首批任务（chunk 0），再依据执行轨迹分别归纳FACT和TIP，初始双轨经验库就此建起来。

这个阶段以归纳为主。因为还没有历史规则参与执行，旧规则的归责和退役都不做，重点是为后面的演进攒下第一批有任务证据支撑的经验。

第三块是在线增量演进，在新任务里检验并修正已有经验。

后续任务按批次往下推。每一轮，Agent先加载上一轮的FACT和TIP，带着这些经验去执行当前批次，然后根据执行轨迹和评估结果，依次走完四个环节：

• 归因（Blame）：翻失败轨迹，找出可能把执行带偏的规则，为经验修正锁定对象。
• 退役（Retire）：把被归责的规则挪进退役池，原因、批次、时间等记录一并留下，整个调整过程可追溯。
• 矛盾分析与合成（Contradict / Synthesize）：查退役规则之间的矛盾，试着找出其中藏着的适用条件，把看似冲突的经验合成条件写得更清楚的TIP。
• 归纳（Induce）：拿成功轨迹和失败轨迹做对比，或者直接从成功轨迹里提炼有效经验，通过新增、修订、确认、移除这些操作更新双轨经验库。

Blame→Retire→Contradict/Synthesize→Induce这套流程在多个任务批次之间循环跑，经验因此持续接受新证据的检验：对环境的认识在更新，相应条件下的执行方法也在调整。

第四块是最终输出与评估，看经验演进到底带来多少实际收益。

多轮增量演进之后，框架输出最终的FACT与TIP经验库，再放到测试任务里评估它对准确率或任务表现的影响。

这套机制的核心，是让环境事实与执行方法分开沉淀、各自可追溯，并在持续执行中接受检验和修正。Agent每跑完一批任务，新的交互证据就能转成下一轮可用的经验，从环境交互到知识更新、再到行动改进，一步步走成闭环。

“但一个关键问题仍待回答：将环境事实与行动技巧分开演进，是否真的比传统的单轨经验管理更有效？”

从机制到实证：五大基准检验TTSE双轨自演进的有效性。

TTSE的方法论和实验结果，已在论文A Two-Track Online Self-Evolution Framework for LLM Agents中展开研究。

双轨经验机制是否真有效？研究团队选了ALFWorld、ScienceWorld、GDPevo、SOPBench和PinchBench五个基准做评测，每项实验独立重复三次，用来看实际收益和运行稳定性。

五大基准给出的增益分布在多个维度上。

• ALFWorld上，成功率最高冲到98.51%。GLM-5上TTSE拿到98.51%；DeepSeek-V3.2上为97.8%，比此前最优方法GraSP的83.6%高出14.2个百分点，任务执行步数同时也降了下来。
• ScienceWorld的任务表现同样明显上扬：MACRO Reward由0.7204升到0.8534，Native Success从53.08%提高到73.46%，涨了20.38个百分点。
• GDPevo的结论是双轨强于单轨。完整FACT+TIP方案平均得分0.2616，接近零样本基线0.0947的2.8倍。只上TIP或者只上FACT，都没能达到完整双轨方案的水平，环境事实与行动技巧放在一起管的价值由此得到验证。
• SOPBench在与贝叶斯技能管理结合后继续往上走：总体成功率从基线79.15%先升到单轨方案的91.59%，再达到双轨融合方案的94.58%，比单轨方案又多出2.99个百分点。
• PinchBench检验的是真实世界任务中的稳定性。TTSE以非侵入方式接入OpenClaw，在147个真实端到端任务上独立跑了三次。双轨方案平均得分由0.7439升至0.7822，增加3.83个百分点；三次运行的增益方向一致，运行极差则从3.33个百分点收窄到1.61个百分点。

上述结果横跨具身交互、科学推理、企业运营、工业流程以及真实世界端到端任务，说明TTSE的作用并不限定在某个模型或某一类场景里。

那为什么非得双轨不可？消融实验给出了回答。

GDPevo的消融实验证据更直接：完整双轨方案压过只记事实或只记技巧的单轨方案。

差别来自分工。环境认知和行动策略各管一摊：只保留FACT，智能体或许清楚环境有哪些约束，却拿不出合适的行动办法；只保留TIP，智能体可能握着一堆操作技巧，却判断不准这些技巧在什么条件下才成立。两者合到一起，才能同时回答「环境是什么样」和「在当前条件下应该怎么做」。

所以双轨设计不是把经验库简单切成两半，而是让不同类别的知识按各自的语义和适用条件去归纳、验证、复用。

从跨模型、跨任务一直到真实世界评测，这些实验既验证了TTSE双轨经验机制有效，也让人看到RSI在经验学习层面的应用空间：不改动模型参数，Agent靠持续积累、验证和更新任务经验，就能让后续任务的表现一点点变好。

这也给TTSE从研究框架走向实际办公智能体产品添了实证依据。

TTSE双轨自演进落地WorkSwarm

论文实验之外，TTSE已经在openJiuwen的WorkSwarm蜂群办公智能体上正式落地。

想自己试一把，装好并启动WorkSwarm 0.2.7及以上版本，到设置里打开TTSE自演进开关，就能感受经验积累与复用带来的效率变化。

下面用两个真实办公任务，看TTSE怎么让Agent在实际执行中跑得更快、更省事。

TTSE走进真实办公场景，让经验成为效率

日常办公里，Agent早就用在了数据清洗与分析、文档编辑与整理、报表生成、信息提取及格式转换这些事上。可文件结构、数据格式、业务要求一换，Agent常常得重新摸环境、反复试工具调用、再把执行路径摸索一遍。

团队挑了两个典型办公场景——Excel数据清洗、文档与表格整理——对比Agent首次执行和注入经验之后的表现，想让效果看得更直观。

结果显示，两个场景的效率都有不同程度的提升：

这些提升跟模型能力无关，在展示的对比任务里，是Agent借历史执行经验更快认清了环境约束、选对了处理方式。

那TTSE到底沉淀了哪些经验，又是怎么帮Agent少走弯路的？

案例一：Excel数据清洗——减少数据识别与处理试错

这类任务难的地方不止清洗本身：输入文件要先找到，藏起来的数据格式问题要识别出来，还得定出符合业务要求的去重规则。

第一次跑的时候，Agent手里没有现成经验可用，只能自己摸索输入文件放在哪、判断数据是什么格式，再推导重复记录该怎么处理。这一趟下来工具调用共57次，其中3次失败，总耗时6分22秒。

任务跑完，TTSE会从真实执行轨迹里提炼出能复用的任务经验。这些经验不只是把过去操作记下来，而是能直接左右下一次执行怎么决策：

• 快速找到输入素材。用户没讲清文件位置时，先看workspace/input，直接去找上游文件，别在无关的任务目录里来回翻，也免掉不必要的追问。
• 把数据问题往深里查。Excel里的日期、金额、文本看着正常，也要用openpyxl去读原始存储值，把文本型日期、货币符号、尾随空格这类藏起来的问题揪出来，免得读取方式不对造成遗漏。
• 去重规则直接复用验证过的版本。按业务字段分组，保留最早日期的记录，删除数量也记下来，不用从头再推导一遍去重口径，少做重复判断和试错。

再碰到相似任务，这些经验会直接参与选工具和做处理决策。工具调用降到20次，失败调用降到1次，总耗时缩到1分48秒。

案例二：文档与表格整理，少走文件探索和格式试错的弯路

这类任务和Excel数据清洗不一样，难点主要在文件位置不清楚、CSV编码与分隔符不明确，Word模板结构又复杂。首次执行时，Agent得一步步找文件、认格式，再定下模板该怎么处理。

文档与表格整理任务里，Agent首次执行耗时1分49秒，工具调用27次，其中2次失败。任务完成后，TTSE从真实执行轨迹中沉淀出一组环境事实与操作技巧。

第二次执行，Agent不用再从零翻文件目录、试探CSV怎么读，也不用等文档生成后才发现模板替换出了问题。已验证的环境经验可以直接拿来用，提前挑更合适的工具和处理路径。

第二次执行耗时缩到1分26秒，工具调用降到18次，失败次数降到1次。整体耗时缩短约21.1%，工具调用减少33.3%，失败调用减少50%。

和单纯记住过去做过哪些操作相比，TTSE多走了一步：让Agent一边积累对环境的认识，一边积累在特定条件下管用的执行方法。

经验攒下来能不能变成能力，关键看复用得对不对。

两个办公案例说明了TTSE在实际任务里的用处：Agent不用每次都从零摸索，历史任务中验证有效的经验可以拿来当后续执行的参考。

这也正是RSI想实现的持续改进方式：每次任务执行不光产出交付成果，还能给下一次执行攒下有效经验。TTSE靠FACT与TIP的双轨机制，让这种积累更可验证、可更新、可复用。

不过，这些收益是只在特定任务里成立，还是能在更广的办公任务中同样体现？

TTSE在办公基准中展现综合收益

为了进一步看TTSE在综合办公场景中的表现，团队在业界开源榜单WorkBuddy Office Bench上测试了WorkSwarm接入TTSE后的效果。

任务表现有提升，Token消耗和工具调用开销也降了下来：评测结果显示，相较原生效果，任务表现提升3.81%，输入Token消耗降低1.70%，输出Token消耗降低30.09%，平均工具调用次数减少2次。

写在最后

Agent正从「一次性工具」走向「持续进化伙伴」，我们正站在这道拐点上。

RSI的核心价值不光是让Agent多完成任务，而是让它从每一次真实执行中拿到反馈、攒下经验，再把这些经验变成持续改进的能力。

从Harness与Artifacts两个维度的优化，到TTSE对环境事实与执行技巧的双轨演进，openJiuwen在试不同的路子让智能体持续自我改进：既能改工作方法、改交付成果，也能不断校正对环境的认知、沉淀可靠经验。

TTSE给其中的经验自演进提供了一套可验证、可追溯的机制。Agent因此不光学会“怎么做”，还能弄明白“在什么环境下这样做才有效”，并在一次次任务执行中把自身打磨得更好。

经验不该是过眼云烟。让Agent既学会「怎么做」，更学会「世界是什么样」，这是它走向长期自主的第一课。

这一框架的学术版本名为 TTSE: A Two-Track Online Self-Evolution Framework for LLM Agents，论文原文可从 https://arxiv.org/pdf/2609.24289 获取。

目前，TTSE 双轨演进 Rail 已经随 WorkSwarm 0.2.8 版本上线。想试的用户去官网就能一键下载，直接上手体验经验自演进。

WorkSwarm 体验入口：https://openjiuwen.com/workswarm；GitHub 代码仓：https://github.com/openJiuwen-ai/；AtomGit 代码仓：https://atomgit.com/openJiuwen/

正在做 Agent、LLM 自演进、记忆与技能系统的同行，也欢迎到评论区交流。

换个问法：Agent 最该「记住」的，究竟是一个技巧，还是一条关于环境的规律？

*本文系量子位获授权刊载，观点仅为原作者所有。