文章摘要
AI Agent走进企业日常办公，但多数无法在实践中优化，持续学习成行业探索重点，不少头部玩家和学者纷纷布局。创业公司 Pyromind 将 Agent 后训练产品化，通过 AutoRL 技术打通闭环。其产品将强化学习过程自动化，分三层提供能力，并配套完整基础设施。该公司已有多项落地成果，未来想让所有 Agent 拥有持续学习能力。

如今，AI Agent正快速走进企业日常办公场景，从撰写周报、处理工单到数据分析，越来越多重复性工作被交由Agent完成。但在这场热潮背后，一个核心问题常被忽略：那些每日稳定运行、反复执行同类任务的Agent，真能在实践中变得更顺手吗？

答案往往是否定的。这也将话题引向了AI领域当下最受关注的方向之一：持续学习。

即便是性能顶尖的基座模型，在训练结束、参数冻结并部署上线后，便会停止成长。但AI行业显然不希望模型停留在“一次性”状态，让AI像人类一样“活到老学到老”，正成为整个领域的核心探索方向。

不少头部玩家和顶尖学者都在布局这一赛道：智谱在GLM-5.2的技术规划中明确将记忆、持续学习和自我评判列为下一步攻坚重点；年初从OpenAI离职的推理模型专家Jerry Tworek创立Core Automation，聚焦持续学习方向；就连图灵奖得主、强化学习之父Richard Sutton也亲自创业，成立Oak Lab，致力于打造能从自身经验中持续学习进化的AI系统。持续学习，正从少数人的小众探索演变为行业共识。

那么，到底该如何实现Agent的持续学习？放眼这条快速升温的赛道，成立于2025年10月的创业公司Pyromind（火思动力）已经给出了自己的答案：这家企业率先将Agent后训练产品化，通过AutoRL技术打通了从任务反馈到模型更新的完整闭环，并用多项落地成果验证了自身的价值，成为该赛道的先行者之一。

Pyromind的核心定位是专注于持续学习与进化的RLaaS（强化学习即服务）公司，其核心判断清晰且坚定：Agent的下一轮能力提升，必然来自于过往运行积累的反馈与经验。而选择将后训练产品化作为切入点，正是因为持续学习虽概念诱人，落地却充满挑战。

要让Agent从任务中实现持续学习，至少需要回答几个环环相扣的核心问题：哪些真实反馈值得模型学习？如何避免学习新技能时破坏原有能力（即灾难性遗忘）？如何将散落在日志、执行轨迹、效果评估中的经验转化为有效的模型更新？又如何让整套流程在企业的算力和成本约束下稳定、可验证地运行？

目前业界针对这些问题给出了五花八门的解决方案：有的通过外挂记忆模块和外部技能库拓展能力，有的在推理阶段通过test-time training进行微调，还有的直接将后训练（尤其是强化学习）部署到上线后阶段，让真实任务的反馈直接接入训练闭环。尽管路线各异，但所有方案的最终目标高度一致：将实践中的“经验”沉淀为可复用的“能力”。

要实现这一目标，需要将算法、分布式工程、算力调度、效果验证等分散的环节，整合为一套能在生产环境稳定运行的完整闭环。而这正是Pyromind正在攻克并落地的核心方向。

Agent行业的关键转折点

要理解Pyromind的技术路径和产品设计，首先需要看清Agent行业正在经历的关键转折点。

Agent的使用方式正在发生根本性变化。当Agent还停留在Demo阶段时，衡量其价值的标准很简单：能否完成一项任务。但当Agent进入真实业务场景、长期运行并反复执行同类任务时，评价标准就发生了转变：能否在运行中持续优化，稳定性、适应性和长期使用成本能否满足业务需求。

这个转变并不轻松。就在近期，IT服务巨头Cognizant宣布成立专门的EMEA（欧洲、中东、非洲）AI部门，其核心目标正是解决困扰整个行业的普遍难题：太多企业的Agent项目卡在了从演示走向量产的阶段。

根据AI可观测性公司Fiddler AI的生产可靠性研究，不少在受控演示环境中表现优异的企业Agent，单次运行成功率约为60%，但一旦投入生产环境连续运行8次，成功率就会暴跌至25%。普林斯顿大学的研究者对14款Agent进行评测后也发现，尽管过去18个月里模型的通用能力突飞猛进，但可靠性的提升却微乎其微。

演示环境的表现之所以更理想，是因为其往往使用干净的数据集、接口文档清晰、流程约束明确；而真实的企业环境往往难以同时满足这些条件。从演示环境到真实生产环境的转变，也带来了三个全新的产业条件：

  • 模型的使用方式从单次调用转变为长期运行。Agent会在生产环境中持续运转、反复处理任务，因此稳定性、对业务变化的适应能力和长期调用成本，都从抽象的技术指标变成了实打实的生产问题。

  • 生产环境开始产生可利用的反馈数据。真实任务每日都会产生成功、失败、人工修正和业务反馈，这些原本被丢弃的数据，恰恰是优化模型能力最直接的原料。

  • 优化对象发生了变化。企业不再只关注通用模型的通用能力强弱，而是更在意Agent能否贴合自身业务场景，并在使用过程中持续提升表现。

我们可以将Agent类比为一名职场新人：大模型为其提供了基础知识和能力起点，Prompt和工作流明确了单次任务的执行方式；而一名员工真正的价值，在于将每一次工作的经验沉淀为长期能力，越做越好。目前绝大多数Agent恰恰缺少这最后一环。

现有方案的局限性

要让Agent从任务中实现持续学习，业界已经尝试了多种路径，但这些方案各有侧重，且在生产环境中都存在明确的局限：

  • 预训练决定了模型的通用智力和知识底座，赋予Agent基础的理解与表达能力。但预训练成本极其高昂，且面向通用预测场景，无法直接解决特定企业复杂业务流中的精准决策问题。

  • 上下文工程约束的是Agent单次执行的具体操作方式；记忆机制可以让模型记住上下文中的偏好，但更多是“调取”而非“内化”，如果切换到新的类似场景，模型的核心能力并不会自动提升。

  • SFT（监督微调）可以让模型快速学会复制标准流程与动作，但它高度依赖静态的高质量专家轨迹数据，不仅标注成本极高，面对真实业务中多步决策的动态报错、延迟反馈和长尾场景时，缺乏自纠错与自我探索的泛化能力。

这些方案都有其应用价值，但都难以针对长期、多步、动态变化的真实业务场景实现持续优化。即便一个Agent执行了海量任务，如果这些任务中的成功与失败没有进入训练和验证环节，模型也不会自动变得更好。

在Pyromind看来，自进化和持续学习才是解决这一问题的核心路径。以强化学习（RL）为代表的后训练技术，可以将真实任务中的成功、失败和业务反馈转化为奖励信号，通过持续训练提升模型在单次执行、多步决策和复杂目标上的稳定表现。可以说，预训练决定了Agent能力的起点，而后训练则决定了Agent最终能走多远。

这一判断也得到了行业头部团队的认同。无论是智谱将持续学习写入GLM-5.2的技术规划，还是Richard Sutton通过Oak Lab追求“从运行时经验中实时学习”，抑或是Core Automation希望让模型在生产环境中直接更新权重，所有玩家的共识都清晰一致：静态部署的时代正在过去，真正的AI进步必然来自于模型上线后的持续运行与迭代。而这条路线的核心难点在于：如何将AI变成一套能持续运行的系统。

Pyromind给出的答案，是将后训练拆解为一条可以持续运转的闭环链路。在其设计中，Agent在真实工作中产生的成功、失败、人工修正和业务反馈，会依次经过采集、分析、奖励生成、模型训练、效果验证和模型更新，最终重新应用回实际任务。并且，这条链路可以自动运行、反复迭代，将原本分散在不同工具和系统中的后训练环节，整合为一套完整的学习闭环。

这背后的工程挑战，正是制约行业落地的最大瓶颈。强化学习开源项目AReaL团队曾坦言，自进化Agent的关键瓶颈不仅在于模型性能和算法先进性，更在于缺少一套能服务真实Agent的在线强化学习基础设施。该团队还披露过一个细节：在搜索类Agent的训练中，单条轨迹的最长探索时间可能长达一到两小时，这种长尾任务会拖慢整批数据的处理速度，造成大量GPU资源闲置，导致训练效率急剧下降。而将这样一条链路工程化，并让它稳定持续地运转，正是Pyromind想要跨越的核心门槛。

Pyromind的产品化路径

一套能持续运转的后训练闭环听起来前景广阔，但真正落地到产品中时，却绕不开一个现实问题：强化学习的技术门槛极高。算法、分布式训练、算力调度、奖励设计、效果验证……每一个环节都需要专业团队和大量试错成本。大多数企业都希望让Agent实现持续学习，但却被这条链路的复杂度挡在了门外。

Pyromind的产品设计正是为了简化这一过程。其将面向开发者和企业的一系列能力，归纳为一个核心关键词：AutoRL（自动强化学习）。其目标可以用一句话概括：将复杂的强化学习过程自动化，让任何团队都能像搭乐高积木一样轻松开展后训练，而不必从零开始搭建整套系统。这也呼应了其官网的标语“RL For Everyone Not Only Experts”：不只是领域专家，任何人都能开展强化学习相关工作。

具体而言，针对“Agent持续学习”这一核心任务，Pyromind将产品能力划分为三层，从底层基础设施到上层体验层层递进：

  • 后训练基础设施层：核心目标是简化训练流程。Pyromind打造了可视化的拖拽式工具，用户只需将核心组件拖拽到画布上，进行简单配置即可搭建一条可编辑的训练管线，支持SFT、GRPO、DPO等多种训练方式，还可以联动机器人仿真沙箱，实时查看训练轨迹、奖励值等关键指标。原本分散在代码和环境配置中的工作，被整合为清晰、可复用的标准化流程。

  • 后训练奖励构建层：奖励信号是强化学习的“方向盘”，直接决定模型的学习方向。Pyromind在这一层提供了生成式的奖励构建能力，既可以支持面向准确性的奖励生成建模，也可以面向偏好建模，帮助企业针对不同任务目标，更高效地设计出适配的奖励机制。

  • 无感持续训练层：这是最核心的一层，目标是将“训练”和“上线”的过程隐藏在用户视野之外。系统会在日常使用中自动收集会话信息、学习用户习惯，并在后台完成持续训练；训练完成的模型会自动发布为推理端点，通过灰度切流平滑地接管线上Agent。用户只需要设定预算上限，就能在预算范围内坐享Agent效果的持续提升。

在这三层能力之外，Pyromind还配套了一套完整的基础设施，包括弹性开发环境、安全仿真沙箱、高性能推理部署和统一存储底座，确保数据、模型和训练任务能在整个平台中顺畅流动。

也正是在这个意义上，Pyromind成为了最早将Agent后训练产品化的企业之一。其核心交付的是一个开箱即用的后训练平台框架，企业不需要自建强化学习团队、不需要反复趟坑，就能让Agent在上线后实现持续学习和改进。

这也是Pyromind与赛道上其他玩家的核心差异所在：传统云厂商和MaaS平台主要提供算力、推理服务或轻量微调工具，Agent开发框架则帮助组织和执行任务，它们解决的是“如何把Agent跑起来”的问题；而Pyromind聚焦的是RL训练的全链路工程化与持续自进化，想要解决的是“如何让Agent跑起来之后越用越好”的核心问题。

从更长远的视角来看，Pyromind的愿景是让每一个Agent都拥有从任务中持续学习和进化的能力，让每一次任务执行都成为下一次能力提升的基础。

技术落地成果

“持续学习”的判断是否成立，最终需要靠落地实践来验证。Pyromind近期已经陆续推出了多项成果，为其技术路线提供了初步的验证：

其中一项核心成果是PyroDash，这是一套全新的范式，可以将小模型的低成本优势与大模型的高性能表现结合在一起。长期以来，行业普遍认为模型的性能和成本难以兼得，但PyroDash证明，通过精准的后训练与模型协同优化，完全可以在极低成本下实现甚至超越大模型的表现。

在五项数学推理基准测试中，PyroDash不仅将平均准确率提升至超过纯大模型的基线水平，还大幅压低了推理成本；在偏重成本的配置下，总成本可以降低九成以上。对于需要长期高频调用大模型的Agent场景来说，这意味着一条更经济、更可持续的技术路径。目前PyroDash的模型、数据集与测试代码均已开源。在这一新范式下，大小模型不再是互斥关系，而是可以协同进化；随着落地场景的逐步扩展，后训练也将自然延伸并演进为Agent的持续学习。

另一项成果R2VLA，则将“从经验中学习”的思路延伸到了物理世界。机器人AI进入真实产线的第一步，往往不是直接部署模型，而是需要先获取一批可用于后训练的高质量真机动作数据。过去这类数据主要依靠人工遥操作采集，不仅效率低下且成本高昂。

R2VLA的解决方案是让产线上已有的规则系统充当“老师”，在真实设备上自动生成动作轨迹，再经过时间对齐、自动打标、质量筛选和后训练，形成一条自驱动的数据管线。据介绍，这条管线可以连续24小时零人工运行，将整体数据采集时间降低50%以上。本质上来说，R2VLA将传统规则系统转化为了AI的“数据工厂”。

更关键的是，当模型上线后，产线仍会持续产生新数据并回流到训练环节，实现下一轮的能力成长。这正是“持续学习”在物理世界中的具体印证。

从数字世界的推理成本优化，到物理世界的数据生产革新，PyroDash和R2VLA指向的核心逻辑高度一致：无论是屏幕中的数字Agent，还是产线中的物理Agent，都可以被纳入同一套“持续学习”的框架中，从每一次运行中获得成长。

这背后也体现了Pyromind更深层的愿景和对下一代Agent的长期判断：持续学习不该是某一类Agent的专属能力，而应该是所有Agent的通用底座。数字世界和物理世界的形态或许迥异，但“让Agent从经验中变强”的核心逻辑，可以共享同一套技术方法论。

这些成果，正是Pyromind将这一宏大愿景逐步落地的开端。

支撑这些成果的是一支小而资深的团队。据了解，Pyromind的核心成员来自阿里云、字节等大厂的资深工程师团队，成立至今已完成千万级美元融资，投资方包括高瓴创投、百度风投、蓝驰创投、Atypical Ventures和HyperCompute等多家机构。

在技术能力验证方面，团队在ICRA 2026全球具身智能挑战赛中获得第7名，是国内唯一以“大模型微调+强化学习后训练”为核心技术路线进入该赛道全球前十的团队。在场景落地方面，Pyromind已经与优必选、欢网、华秋智联等多家客户完成合作签约，覆盖具身VLA、端侧GUI Agent和电路EDA等多个场景。

结语

AI Agent正在从演示阶段走向真实生产场景，行业竞争的重点也随之从“能否完成任务”转向“能否在任务中持续学习和提升”。这是一个仍在展开的行业命题，也是Pyromind从成立之初就锚定的核心方向。

总结来看，Pyromind是一家专注于Agent持续学习与后训练基础设施的AI公司，它通过AutoRL平台，将“让Agent从每一次任务中成长”的能力，变成了企业可以开箱即用的服务。其核心验证的判断非常简单：如果真实任务中的轨迹、结果和反馈能够顺畅地进入训练、验证与模型更新环节，那么任务经验就能稳定地转化为新的模型能力。

如果这一判断成立，那么衡量一个Agent的标准，或许就该从“它完成了多少任务”，转变为“它从这些任务中学到了多少”。而Pyromind想要做的，正是让每一个Agent都拥有这种从工作中持续成长的能力。一个AI持续进化的未来，似乎正在我们眼前徐徐展开。

以上内容不代表本平台立场，仅供读者参考