openJiuwen 正式首发 TTSE（Two‑Track Self‑Evolution）经验学习框架，把智能体自演进拆成环境事实、条件技巧两条独立演化轨道，解决传统单轨自演进容易把偶然成功固化成经验、环境一变就失效的痛点，标志 Agent 自演进正式驶入双轨时代；这套框架已经落地 WorkSwarm，不需要改动大模型权重，依靠任务轨迹持续在线沉淀、校验、更新经验，和此前的 RSI、Auto Harness 能力互相配合，提升长周期任务的自适应能力。
过往绝大多数 Agent 自演进方案属于单轨模式，把执行轨迹笼统打包成经验，不区分 “环境本身是什么” 和 “在该环境下怎么做”；一旦环境发生变化，旧的操作技巧不会自动失效，智能体很容易持续复用错误路径。TTSE 借鉴认知科学里陈述性知识、程序性知识的划分，两条轨道分开采集证据、分开做置信度维护，同时互相联动，事实更新之后自动让对应的执行技巧失效或者调整，从根源降低经验过时带来的风险。下面把双轨分工、架构对比、落地步骤、实测信息整理清楚。
- TTSE 双轨核心分工对比表
- TTSE 和传统单轨自演进差异
- 在 openJiuwen 里落地操作流程
| 轨道名称 | 全称 | 存储内容 | 更新逻辑 | 风险控制 |
|---|---|---|---|---|
| FACT | 环境事实轨道 | 环境约束、资源特征、系统规则、固定属性 | 依靠多次交互证据累计置信度，证据冲突时降权、淘汰旧事实 | 防止智能体对环境形成错误认知 |
| TIP | 条件式技巧轨道 | 前置条件 + 动作序列 + 验收标准 | 只有在匹配的环境事实成立、多次拿到正向回报才沉淀 | 避免把单次侥幸成功固化成稳定技能 |
传统单轨自演进把轨迹统一提炼成技能，事实和操作绑定在一起，环境改变之后没有自动失效机制；TTSE 将两者解耦，风险拆分为环境认知偏差风险、执行策略不匹配风险，分别约束。它不是替换模型微调或者强化学习，而是作为上层经验记忆层，可插拔接入现有 Agent；在 ALFWorld、ScienceWorld、SOPBench、PinchBench 等基准测试上，双轨方案相比单轨基线，任务成功率、长期稳定性都有提升，在办公场景的数据清洗、文档整理任务中，重复同类任务时试错明显变少。
- 版本准备：升级 WorkSwarm 至 0.2.7 或更高版本，在配置里打开 TTSE 总开关，系统自动开启任务轨迹采集。
- 轨迹采集：Agent 在执行办公、编码等任务时，完整记录交互、工具调用、反馈结果。
- 双轨归纳：后台自动把轨迹拆成 FACT 事实与 TIP 条件技巧，用计数证据跟踪置信度，开启 Auto‑dream 在空闲时段静默整理经验库。
- 经验召回：新任务启动时，检索匹配当前环境的事实与技巧，注入提示词，引导 Agent 复用成熟路径。
- 证据更新：本轮任务结束，根据成败反馈更新两条轨道置信度；如果事实被证伪，连带失效依赖它的全部 TIP。
- 人工兜底：高置信度经验可以自动保存，存疑经验进入人工复核，开发者也可以手动增删、锁定经验条目。
- 能力边界与配套生态
TTSE 属于 openJiuwen RSI 体系的新增模块，和 Auto Harness、Swarm Skill 协同工作：Auto Harness 优化 Harness 本身，RSI 做递归自改进，TTSE 专门管经验的可靠沉淀。它不需要重训基座大模型，对现有 Agent 侵入性很低；同时支持 BM25、Embedding 混合召回，开发者可以单独关闭轨迹归纳或者经验注入。它的短板在于，如果初始任务反馈信号稀少、环境高度动态，事实积累速度会变慢，依然需要人在环来清理脏经验。
这套框架的核心思路，就是不让智能体 “死记操作”，而是先持续认清环境，再学习适配环境的动作；这种分离式自演进，更贴近长期自主智能体所需要的持续学习范式。
【常见问题】
问题 1：openJiuwen 首发的 TTSE 经验学习框架，两条轨道分别是什么？
回答 1：一条是 FACT 环境事实轨道，持续验证环境固有规则；另一条是 TIP 条件式技巧轨道，沉淀满足特定前置条件时可用的动作流程，两条轨道独立校验、联动更新，构成双轨自演进。
问题 2：TTSE 双轨自演进，已经落地到哪里，怎么体验？
回答 2：已经落地 openJiuwen WorkSwarm，升级到 0.2.7 及以上版本，在设置开启 TTSE 自演进开关，即可启用这套经验学习能力。
问题 3：TTSE 和强化学习、模型微调有什么不一样？
回答 3：TTSE 属于上层经验记忆框架，不会修改模型权重；依靠任务轨迹提炼、证据置信度管理完成在线学习，可以和强化学习、微调搭配使用，适合长周期任务的经验沉淀。
问题 4：TTSE 双轨自演进，主要解决传统 Agent 自演进哪一类痛点？
回答 4：解决单轨自演进混淆环境认知和执行流程，容易把偶然成功当成可靠技能、环境变化之后旧经验不会自动失效，造成后续任务持续出错的问题。
【参考资料】
[2026-11-10]（Agent 自演进驶入 “双轨时代”！openJiuwen 首发 TTSE 经验学习框架）凤凰网科技
[2026-11-10]（openJiuwen TTSE 落地 WorkSwarm，办公智能体实测）腾讯新闻
[2026-09-30]（TTSE: A Two-Track Online Self-Evolution Framework for LLM Agents）arXiv
[2026-09-14]（openJiuwen RSI 递归自改进框架发布）InfoQ
免责声明
TTSE 属于开源实验性质的智能体自演进框架，经验可靠性高度依赖任务反馈信号；动态、高噪声场景下依然会产生错误经验，重要业务场景建议开启人工复核；基准评测结果受模型、环境、任务分布影响，不代表在所有业务场景都能稳定获得同等增益。