项目定位
Yunjue Agent 是云爵科技官方开源的智能体系统实现，目标是构建自进化的通用人工智能（AGI）与可穿戴设备。团队认为真正的智能不仅在于存储了多少过去的知识，更在于面对未知未来时能够适应、学习和创造工具的能力。
核心理念：原位自进化范式
传统智能体系统在任务分布持续漂移、外部监督稀缺的开放式环境中往往表现不佳，因为它们依赖静态工具集或离线训练，能力边界僵化且不明确。Yunjue Agent 提出“原位自进化（In-Situ Self-Evolving）”范式，把连续的任务交互视为持续的经验流，使系统无需真实标签即可把短期执行反馈提炼为长期可复用能力。在该框架中，团队识别出工具进化是能力扩展的关键路径，因为它能提供可验证的二值反馈信号。系统据此迭代地合成、优化和复用工具以应对新挑战，并引入“并行批量进化（Parallel Batch Evolution）”策略优化进化效率。
主要特点
- 零起点 SOTA 表现：从空工具库（Zero-Start）出发，仅依靠推理时的生成、验证与归纳，在多个基准上取得领先结果。据资料称，在 DeepSearchQA 上相对 Gemini 3 Pro 提升 17.4%，并在 HLE 排行榜取得第 2 名，证明从零自举通用能力的可行性。
- 工具优先的进化原则：优先以工具进化而非记忆或工作流作为能力的主要驱动力。工具通过代码执行成功或失败提供客观的二值反馈，在缺少人工标注时充当可靠的内部监督信号，有助于缓解幻觉风险、防止策略偏差，保证通用原语的稳定积累。
- 完全可复现与开放轨迹：提供端到端代码、基准脚本、版本化工具产物和完整交互轨迹，把“黑盒”智能体结果转化为透明、可审计的研究，便于分析工具收敛、进化效率和合并策略。
- 技能到行动的转化：只需提供一个 SKILL.md（高级经验仍由人类驱动），智能体即可自主生成执行该技能所需的工具，实现从文档化知识到可运行自动化的转化。示例技能位于仓库 example/cli/skills 目录。
- 演化收敛度量：提出一个新指标用于监控进化收敛，功能上类比传统优化中的训练损失。
基准表现
系统在 HLE、DeepSearchQA、FinSearchComp（T2 与 T3）、xbench-ScienceQA 和 xbench-DeepSearch 等基准上进行了评测，并取得 SOTA 结果。此外，补充的暖启动评估确认积累的通用知识可以无缝迁移到新领域。
环境与配置
- 前置要求：Python 3.12 或更高版本；包管理器 uv；操作系统 MacOS。
- 配置说明：docs/configuration_reference.md 说明了 .env 中关键字段（如 TAVILY_API_KEY、MAX_WORKER_RECURSION_LIMIT、MAX_TASK_EXECUTION_CNT、PROXY_URL）以及 conf.yaml 中关键字段（如 VISION_MODEL、SUMMARIZE_MODEL）的含义。配置模板可从 .env.example 和 conf.yaml.example 开始。
复现与演示
- 复现：复现代码已迁移到稳定分支 reproduce，详细复现指南请参考该分支。系统轨迹已在 Hugging Face 提供，供分析使用。
- Web Demo：开发者可自行部署，用于演示 Yunjue Agent 的工具自进化能力与执行过程。UI 地址为 http://127.0.0.1:8000/，健康检查地址为 http://127.0.0.1:8000/health，详细指南见 docs/web_demo.md。
- CLI Skill Demo：只需提供 SKILL.md，智能体即可自主生成工具执行技能，详细指南见 docs/cli.md，示例技能见 example/cli/skills。
更新记录
- 2026-01-26：首次发布，开源 Yunjue Agent 系统。
- 2026-01-31：数据发布，释出五个基准数据集在零起点设置下的系统日志（Google Drive），并新增可一行代码分析的 Hugging Face 数据集；同时整理了评测脚本与复现工作流。
- 2026-02-08：技术报告更新，增加关于系统性能、成本与进化通用性损失（EGL）的理论和实验分析，可通过 arXiv 或本地 PDF 访问。
- 2026-02-11：复现迁移至专用稳定分支 reproduce；发布两个演示（Web Demo 与 CLI Skill Demo）。
适用场景与限制
该系统适合需要智能体在开放式、任务分布持续变化且缺少人工标注的环境中自主扩展能力的场景，尤其适合研究自进化智能体、工具生成与复用、以及可复现评测。限制方面：当前仅在 MacOS 上测试，其他操作系统可能遇到问题；运行需要 Python 3.12+ 和 uv；部分功能依赖外部 API 密钥（如 TAVILY_API_KEY）。项目采用 Apache License 2.0 许可。
