随着 MCP 、 Agent Skills 与各类 Harness 的快速发展，大模型能轻松调用成百上千种外部工具，但 在 多工具，具备复杂状态、长程交互的任务上仍有明显短板 。 尽管一系列环境扩展方法尝试复刻真实 世界的交互环境（如订票系统，外卖平台），但仍 受限于 环境扩展的规模与真实性 。除此以外，训练 环境造得再多，当智能体在面临新的交互环境时， 若 缺少持续学习的训练算法依旧很难具备泛化性。 为此，本文 提出 Agent-World ： 一个通用智能体训练场，将 " 智能体环境探索 " 与 " 自进化训练 " 相结合，形成智能体与环境协同进化的闭环 。 Agent-World 由两个核心模块构成： （ 1 ） 智能环境 - 任务探索 ： 通过深度研究智能体，围绕真实世界环境主题，自主从互联网挖掘环 境数据库、生成可执行工具和可校验任务。 （ 2 ） 持续自进化训练 ： 通过多环境强化学习训练智能体，并将合成环境视作天然的训练场，自动 诊断智能体的能力短板，针对性地推动环境 / 任务扩展，实现智能体的自进化。 图 1 ： Agent-World 总览 ：左图 展示 Agent-World 智能体与环境 ...