openJiuwen首发TTSE双轨自演进经验学习框架
原标题：Agent自演进驶入“双轨时代”！openJiuwen首发TTSE经验学习框架
AI 摘要
openJiuwen提出TTSE（双轨自演进）经验学习框架，借鉴认知科学中陈述性知识与程序性知识的区分，将Agent经验分为FACT（环境事实）与TIP（条件式技巧）两条轨道，通过冷启动、在线增量演进（归因、退役、矛盾分析合成、归纳）循环更新经验库。该框架在ALFWorld、ScienceWorld、GDPevo、SOPBench、PinchBench五个基准上验证有效性，例如ALFWorld成功率最高达98.51%，并已落地WorkSwarm蜂群办公智能体，在Excel数据清洗等办公任务中减少工具调用与耗时。
正文节选
Agent自演进驶入“双轨时代”！openJiuwen首发TTSE经验学习框架 让每一次任务，都成为下一次进步的起点 允中 发自 凹非寺 量子位 | 公众号QbitAI Agent越用越强，为什么还会被环境“绊倒”？ 你的同事用Agent整理报表，一路顺畅。你用同样的模型、工具和流程，换成自己的文件，却开始反复试读、频繁返工。 模型没变，Harness没变，换个环境，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，都可能让原本有效的方法失效。模型提供推理能力，Harness组织执行流程，但Agent仍需判断：这里的环境是什么样的，过去的经验还适不适用？ 这也揭示了Agent持续自我改进过程中一个容易被忽视的问题：Agent不仅要从任务中学会“怎么做”，还要判断这些经验在什么环境下仍然有效。 在RSI（Recursive Self-Improvement，递归自我改进）的持续优化过程中，Agent可以通过任务反馈改进执行方法、积累可复用经验。但如果环境认知没有同步更新，过去有效的经验也可能成为新的障碍：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，究