openJiuwen 开源智能体平台完成 RSI（递归自我改进）重大升级，同步首发 TTSE（Two-Track Self-Evolution）双轨经验学习框架，标志 Agent 自演进正式驶入双轨时代；这套框架把智能体学到的经验拆成两条独立演进链路，一条负责沉淀环境事实，一条沉淀任务执行流程，配合原有 Harness+Artifacts 的双维度 RSI，形成 “方法、产物、经验” 三层自进化闭环，解决传统智能体容易混淆事实知识与操作套路、环境一变就失效的通病，目前已经集成进 WorkSwarm 蜂群智能体，面向办公、编码、多智能体协同场景开放测试。
过去绝大多数自演进方案走单一路线，把任务轨迹一股脑塞进记忆，事实出错之后连带整套执行流程跟着崩坏，泛化能力差；TTSE 的核心思路就是解耦，FACT 链路持续校验环境事实，不断更新可信知识库，TIP 链路专门保存带条件的执行步骤、技能组合、工具调用模板；两条轨道独立更新、互相参照，就算环境发生变动，只要事实被修正，对应的执行流程也能自动适配，不会整条经验链路失效。叠加 openJiuwen 原本的 RSI，一方面持续优化提示词、技能、工具、约束这些 “干活装备”，另一方面打磨论文、代码这类交付产物，再新增 TTSE 负责在线经验积累，整套体系不用频繁微调模型权重，靠测试时在线演进就能持续提升任务成功率，同时保留可验证、可追溯的改进流程，避免无约束自我修改带来的安全风险。
落地的工程链路清晰，先采集完整交互轨迹，自动切分为事实片段与流程片段；FACT 轨道持续用后续交互证据做可信度校验，淘汰过时、错误信息；TIP 轨道根据任务条件聚类，沉淀可复用的条件化技能；两条轨道产出的经验回灌到 RSI 实验池，生成候选优化方案；所有改动都要经过评测，只有指标提升的版本才会固化，其余经验存入回放库供后续检索。整套框架原生适配昇腾算力，搭配算力亲和调度，压低多轮自迭代带来的算力开销。
openJiuwen RSI + TTSE 核心能力清单
- TTSE 双轨拆分：FACT（环境事实）、TIP（任务执行流程）两条独立演进轨道
- 原有 RSI 双维度：Harness（Prompt / Skill / Tool / Rail）、Artifacts（论文、代码交付物）
- 闭环机制：轨迹采集 → 经验分流 → 可信度校验 → RSI 候选生成 → 评测准入 → 沉淀入库
- 落地载体：WorkSwarm 蜂群智能体，支持单智能体、多智能体集群协同自演进
- 算力优化：昇腾 NPU 算力亲和，KV Cache 主动调度，降低自迭代时延与显存占用
- 兼容生态：可和已有强化学习、技能自优化方案组合，在 ALFWorld、ScienceWorld、SOPBench 等基准上验证收益
传统单轨自演进与 TTSE 双轨自演进对比表
| 评估维度 | 传统单轨 Agent 自演进 | TTSE 双轨在线自演进 |
|---|---|---|
| 经验存储 | 事实、流程混在一起保存 | 拆成 FACT、TIP，两条轨道独立更新校验 |
| 环境适应性 | 环境改动极易引发连锁失效 | 事实单独校验，流程跟随事实动态适配 |
| 优化对象 | 大多只改提示词或者记忆 | 同时支持知识、流程、技能、交付物迭代 |
| 验证方式 | 整体任务打分，难以定位错在哪 | 可以定位是事实错误还是执行步骤错误 |
| 算力模式 | 常依赖权重微调，成本高 | 以测试时在线演进为主，算力更友好 |
| 风险控制 | 改动黑盒，追溯困难 | 每一条经验、每一次修改都可审计追溯 |
TTSE + RSI 落地部署步骤
- 在 openJiuwen WorkSwarm 开启自演进实验模式，接入任务轨迹采集模块
- 轨迹切片分流，自动识别属于环境事实 FACT，或是条件执行流程 TIP
- FACT 轨道持续用新交互证据更新可信度，标记、淘汰过时知识
- TIP 轨道对同类任务做聚类，提炼可复用、带前置条件的执行套路
- 将双轨沉淀的经验送入 RSI，生成 Harness 和 Artifacts 的候选改进版本
- 在固定评测集上跑对照，保留有效改动，失败案例回流经验库继续迭代
- 长期运营，开启算力亲和调度，控制自演进持续运行的资源消耗
【常见问题】
问题 1：本次随 openJiuwen RSI 升级首发的 TTSE 经验学习框架，双轨具体指什么？
回答 1：本次随 openJiuwen RSI 升级首发的 TTSE 经验学习框架，双轨分别是 FACT 环境事实轨道、TIP 任务执行流程轨道；事实负责记录并持续校验外部世界信息，流程负责沉淀不同条件下该怎么完成任务，两条链路独立进化、互相联动。
问题 2：TTSE 和 openJiuwen 原来的双维度 RSI 是什么关系？
回答 2：RSI 负责优化智能体的工作装备与最终产出物，TTSE 负责在线拆解、沉淀、校验任务交互经验；TTSE 是新增的经验底层，给 RSI 提供高质量的进化素材，两者叠加形成完整自演进体系。
问题 3：驶入双轨时代之后，搭载这套框架的 Agent，还需要微调模型权重才能进化吗？
回答 3：这套方案主打测试时在线自演进，优先依靠记忆、提示词、技能流程迭代，不需要频繁微调基础模型权重；当然也可以搭配微调路线，属于可选扩展。
问题 4：TTSE 这套双轨自演进框架，现在可以用在哪些场景？
回答 4：TTSE 当前已经在 WorkSwarm 落地，适合长期办公任务、代码开发、GUI 电脑操作、多智能体协同；同时在 ALFWorld、ScienceWorld、SOPBench 等智能体标准测试环境完成验证。
【参考资料】
[2026-11-10]（Agent 自演进驶入 “双轨时代”！openJiuwen RSI 再升级，首发 TTSE 经验学习框架）InfoQ
[2026-09-14]（openJiuwen 首发双维度 RSI 框架，AI 自修改，落地办公智能体，算力亲和助力又快又省）InfoQ
[2026-09-26]（TTSE: A Two-Track Online Self-Evolution Framework for LLM Agents）arXiv
[2026-10-24]（从双维度 RSI 到 InferRSI，openJiuwen 让模型拥有更适配的推理引擎）极客网
免责声明
本文素材来自 openJiuwen 社区公开发布、arXiv 论文以及行业科技媒体；TTSE 与新版 RSI 目前仍处于工程验证阶段，在复杂开放场景下的长期稳定性、安全约束还在持续迭代；框架为开源技术方案，实际落地收益会随基座大模型、任务类型、评测基线变化，不代表接入后就可以实现完全自主进化。