从「教Agent怎么做事」到「为Agent建一个好环境」。2026年的自主智能体研究，方向正在转。

一、一组让人停下来想的数据

2026年6月，清华大学和智谱AI发了一篇论文，标题直接把结论写在了脸上："EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery"。

他们做的事说起来简单：拿Claude Code当通用CLI智能体，配上GLM-5.1做基座模型。不调参，不设计花哨的多角色工作流。然后扔它去跑数学优化、内核工程、机器学习竞赛。

结果：

• • 26圆填充问题：2.635999。此前AI最优是 2.635986。小数点后第四位的差距，但在这个问题上每一丝都是硬的。
• • Erdős最小重叠问题：0.380870。从 0.380876 又往下压了一点。
• • TriMul内核优化：2005μs。人类第一名方案是 2096μs，快了约 4.3%。
• • MLE-Bench子集奖牌率：85.71%。用开源模型，跑赢了名单上所有闭源系统。

然后是我反复看了好几遍的那个数字：总API开销不到 11 美元。

11 美元。大概相当于在湾区一顿午饭的钱，发现了 26 圆填充的新最优解。那个问题从 2000 年代初就有人在手动优化了。

这组数字让我坐直了。不是因为某个单项有多惊人，而是组合在一起透露的东西：方法的效率完全不在一个量级上。 这说明效率差的来源不是模型不够好，是之前的方法把力气用错了地方。

图1 EUREKAGENT在26圆填充问题上的得分演化过程

二、该翻篇了：从流水线到实验台

2.1 旧套路的回报率在暴跌

过去两年大家往Agent身上堆的东西，本质上都是同一类：工作流。角色编排，反思循环，提案 - 选择 - 执行的流水线，继承、变异、交叉。AlphaEvolve维护候选程序种群。AIDE 围绕方案树组织探索。MARS引入了结构化辩论来让多个Agent互相质疑。

都有效，我不否定。但有个疙瘩一直在：这些设计把"研究应该怎么搞"的预设硬编码进了系统。 说白了就是替Agent想好了每一步该怎么走。

问题是Claude Code这个级别的通用CLI智能体已经不需要你替它想这些了。它自己会读题、写代码、搜文档、跑实验、看报错、改代码、再跑。ResearchClawBench的数据一点都不含糊：Claude Code和Codex不套任何研究专用工作流，裸跑已经超过了所有被评估的研究专用智能体系统。

堆流程的性价比，在塌。

2.2 那个绕不过去的框架

EurekAgent的团队没有发明什么新算法。他们引了一个1979年的概念：Gibson的生态心理学理论，"Affordance"（可供性）。

核心逻辑朴素得几乎无聊：一个生物体能做什么，很大程度上是环境决定的。 给老鼠一个迷宫，它跑迷宫。给老鼠一块奶酪和一条路，它找路。环境变了，行为就变。

翻到智能体身上也一样。你给它一个装备齐全、规则清晰、防作弊的实验台，不用教它怎么探索，它会自己找到路。反过来，环境有漏洞（评估脚本能被偷看、分数记录能被篡改、实验能互相干扰），再聪明的 Agent 也会走捷径。不是它"坏"，是环境的可供性指向了那个方向。

EurekAgent团队打了一个我很买账的比方：

"一个能干的PhD学生，生产力不来自导师minute-by-minute的指令。来自清晰的问责边界、充分的研究自主权、准确的实验结果、可求助的同行合作，以及导师在该出现的时候出现。"

从「当导演写剧本」切换到「搭实验室定规则」。措辞上的区别背后，是整套思路的转向。

三、环境工程到底指什么？

同周，中科院自动化所甩出了一篇 63 页的综述，把这个方向的概念框架从头搭到了尾。

3.1 先把话说明白

综述给了形式化定义。Agentic Environment E是一个POMDP：

每个分量拆开：

• • S（状态空间）：环境的全部可能状态。可能是文件系统的当前内容，可能是模拟器中物体的位置，可能是数据库里所有记录的快照。
• • A（动作空间）：对LLM Agent来说，这是最不像RL的地方。动作不再是离散的up/down/left/right，而是自然语言token和工具调用：写一段bash命令、搜一个关键词、提交一份代码、生成一段分析。
• • P（转移函数）：一个动作下去，状态怎么变。代码执行完了，终端输出是什么。文件写入了，文件系统变成了什么。
• • R（奖励）：可能是代码测试通过率，可能是数学答案的正确性，可能是内核跑分的微秒数，也可能是格式对不对。
• • Ω/O（观察）：Agent看到的不是原始状态。它看到的是终端回显、渲染后的HTML、评估器返回的分数。
• • γ（折扣）：未来奖励比当前奖励重要多少。

这件事为什么值得单独拎出来说？因为传统RL模拟器（Gym、Atari、MuJoCo）都是在预设的状态和动作空间内运行，转移函数是固定写死的。Agentic Environment完全不同。它让Agent用自然语言行动，观察来自各种不同的接口，转移函数可能是代码执行引擎、网页渲染引擎，甚至是一个神经网络模拟的世界。它不是倒立摆，它是一整个研究实验室。

3.2 环境和数据集，别搞混了

这组对比值得多看两眼：

根本区别在闭环。数据工程里，模型是被动的接收端。环境工程里，Agent的行动会改变环境状态，环境状态的变化又会反过来影响Agent的下一步决策。 这种双向塑造，是数据工程永远做不到的。

综述用了一个我很认同的表述：环境是Agent的「孪生系统」。 评估、推理增强、RL训练的每个阶段，智能体和环境都缠在一起。

图2 数据工程与环境工程的对比

四、现状全貌：8 个领域、8 个属性、两个缺口

综述按任务领域画了一张全景图：

图3 环境领域概览

再看属性维度：表示形式、反馈类型、时间结构、可观察性、随机性、连续性、模态、基数。 8 个属性 × 8 个领域，交叉分析。

两件事跳出来：

第一，多智能体场景严重缺失。 现有环境几乎全是为单个Agent设计的。多玩家的权限隔离怎么做？共享记忆怎么分？智能体间的信息不对称怎么模拟？几乎没人在系统性地搞。

第二，两条技术路线之间夹着一个很大的张力。 符号系统（代码写死规则）的反馈可靠但覆盖有限，神经模型（网络模拟世界）的生成能力无限但输出不可控。下一代环境要在可靠性和规模之间找平衡。这件事的难度不应该被低估。

五、两条造环境的路

5.1 符号合成：拿代码当规则引擎

用确定性代码来构建环境。好处是反馈能验证：对就是对，错就是错，没有模糊地带。

演化路径分了三步：

• • 从任务出发：SWE-Gym把GitHub issue变成编码任务，AgentScaler批量生成测试用例。瓶颈在"任务定义的清晰度"：得先把每个任务描述清楚，才能造环境。
• • 从真实场景出发：AgentSynth模拟真实用户行为来生成训练数据，EnvGen自动生成Agent训练环境，DIVE把数据科学竞赛变成可交互场景。追求的是让模拟足够像真的。
• • 从零造新环境（De Novo）：LOGIGEN不依赖任何已有任务，直接从逻辑规则生成新谜题。InfiniteWeb生成无限多、彼此不同的网页交互场景。AutoEnv更进一步，连环境的底层规则都让模型来设计。

这条演化线的方向很清楚：覆盖面越来越宽，灵活性越来越高。 但死穴也在明面上：规则是人写的。手写永远有边界。

拿一个具体例子来说。SWE-bench是符号合成的经典案例：从一个GitHub仓库的issue出发，构造出一个"修这个bug"的环境。Agent 看到代码库、issue描述、测试用例，然后生成补丁。评估很简单：测试过没过。有效。但问题是，能写成这种形式的任务，本身就是高度结构化的。世界上绝大多数有意思的问题，都不是这样的。

图4 三种符号环境合成方法：任务驱动合成、现实驱动合成与从头合成

5.2 神经合成：让模型来当世界引擎

另一条路：用神经网络参数化环境本身。 三个层级：

• • 像素级：DIAMOND直接预测游戏下一帧画面，NeuralOS模拟操作系统的屏幕响应，NVIDIA Cosmos做物理世界的视频生成。最接近真实，也最吃算力。
• • 词级：RAP在语言空间里做推理规划，WebDreamer在语义层面模拟网页交互的后果，Code2World让Agent先"想象"代码执行结果再决定要不要真跑。保真度和效率之间取折中。
• • 潜在级：V-JEPA2和DINO-world在抽象的潜在表征空间里做预测，不生成像素也不生成文字，而是在某种"概念空间"里推演状态变化。可解释性牺牲了，但泛化能力更强。

这里的关键点不是谁好谁坏。关键是这两条线正在交汇。 综述把Neural-Symbolic混合环境列为最有潜力的方向。我认同这个判断。神经网络负责生成广度（想出可能的状态、变化、场景），符号系统负责锁死正确性（确保反馈永远可验证）。一端要创造力，一端要纪律，两者都得有。

图5 三种神经环境合成范式：像素级建模、词符级建模与隐空间建模，在保真度与抽象性之间进行权衡

六、EurekAgent的四个维度

清华的论文没有发明新算法。它把环境工程拆成四个维度，在工程层面直接落地了：

图6 EurekAgent概览

6.1 权限工程

开放端：Python环境随便配，Shell随便开，网页搜索和浏览器全给，前几轮的产物完全可见。

约束端：Docker沙箱全局隔离。评估器和测试数据对Agent完全不可见，只能通过一个安全API提交候选方案、收回官方分数。同轮的不同实现会话之间彻底信息隔离（防止早期方案互相抄，导致探索坍缩到单一方向）。GPU不直接暴露，必须通过helper API排队拿锁，一个GPU同一时刻只给一个Agent会话。

这里有一个反直觉但非常重要的设计：Agent永远看不到评估脚本。这意味着它无法通过"揣测评分逻辑"来提分。要提高分数，只有一条路：真的把方案改得更好。这听起来像是对Agent的"限制"，实际上是对科研完整性的保护。现实中很多reward hacking的案例，根源就是Agent看到了不该看到的东西。

6.2 产物工程

所有东西落盘：准备摘要、提案清单、假设描述、方案代码、评估反馈、官方分数排名。系统自动维护两类产物：网页搜索历史做缓存（避免重复搜同样的东西），官方分数自动归档和排序。

每轮Git提交只需要记录两件事：当前方案是什么，和上一版相比改了什么。

不花哨。但跑了三四十轮的探索过程，回头看Git log，整个研究思路的演化轨迹一目了然：什么时候发现了新方向，什么时候撞了墙，什么时候找到了突破口。

6.3 预算工程

挂墙时间和API成本，两条线同时控。

时间上设计了双层机制。主动层：Agent随时可以调API查还剩多少时间。被动层：截止时间快到了但交付物还没产出来，系统自动注入一条警告 —— "别探索了，赶紧收尾交东西"。

API成本只追踪不透露。超了就停。不跟Agent说还剩多少额度。说了反而可能引发预算博弈行为。

我觉得最有工程智慧的一点是恢复设计：中断的运行可以直接从文件系统快照恢复。 用户还能改时间限制、额外加恢复时长。这不是粗暴的停机策略，而是一个可控的延续接口。

6.4 人在回路

两条界面通道。终端TUI看每路方案的实时输出、直接发消息跟活跃会话对话。Web监视器看全局：分数曲线怎么涨的、每轮和全局最佳分别是什么、任意一个历史会话的完整转录。

人不在每一步决策循环里，但全局可见。 Agent保持自主推进的能力，人类可以在任何时刻切入。这个平衡拿得很好。

七、环境不是死的

如果你只把环境当成一个"评估容器"，就错过了综述里最有意思的部分。环境和Agent是互相塑造的。

7.1 Agent怎么长进

综述梳理了四条路，但注意它们在实际系统里经常混着用：

• • 靠记忆： 最直白的方式。把过去的交互经验存下来：哪类方案在什么情况下有效、哪个坑踩过一次就别再踩了。Agent-KB把知识存成可查询的库，SkillWeaver把成功经验抽象成可复用的skill。
• • 靠编排： 不是让单个Agent更聪明，而是让一群Agent组织得更有效。MetaGPT模拟软件公司的角色结构。DSPy把提示词当成可优化的参数。AFlow让工作流本身可以被搜索和演化。
• • 靠离线轨迹： 造高质量交互数据来训练。OS-Genesis让Agent在模拟操作系统中反复操作，产出海量轨迹。Aguvis生成带GUI标注的操作数据。把"经验"从在线交互中剥离出来，变成可大规模复用的训练原料。
• • 靠在线探索： RL那条路。Agent-R1用强化学习直接训推理链，ToolRL训工具调用策略，GDPO把偏好优化的框架搬到了多步Agent场景。

7.2 环境怎么跟着变

如果Agent在变强，环境还停在原地，那就成了瓶颈。三种策略：

• • 神经驱动： 让环境自己"动起来"。AbsoluteZero让两个Agent互为对手，自博弈产生越来越多样化的局面。不是人手调难度，而是让进化自己跑。
• • 难度课程： POET把"环境难度调节"变成了一个优化问题：不是线性往上加，而是根据Agent当前的表现动态选下一步训练什么。DataEnvGym更进一步，让数据生成和Agent训练同步演化。
• • 规模扩展： AgentScaler批量扩增任务量，InfiniteWeb生成无限多不重复的网页交互场景。不是把同一个环境调难，而是让环境的多样性本身成为增长引擎。

合在一起看，环境演化正在从业余手工变成一套正经的方法论。

八、2026上半年的外围信号

除了这两篇论文，上半年还有几个动向值得盯着：

ResearchEnvBench：提了一个很有意思的问题：Agent能不能自己把研究代码的环境搭起来？配依赖、对齐版本、搞定硬件和框架的兼容。结果呢？当前SOTA差距巨大。主要的失败不是Agent不会写Dockerfile，而是依赖解析不完整和版本耦合脆弱。这些问题恰好是环境工程最关心的一类问题。

EnvSimBench：第一个正式定义"环境模拟能力"的工作。发现了一个被命名为「状态变化悬崖」的现象：环境状态不变时，LLM预测下一步状态几乎是完美的。但只要多个状态要同时更新，准确率断崖式下跌。这说明环境模拟不是"语言理解 + 多一点推理"就能兜住的。它可能是自己独立的一种能力。

ARC-AGI-3：Chollet的ARC系列走到第三代，这次直接去掉了自然语言指令。Agent只能从经验中学。没有任何文字提示，纯靠交互摸索规律。这基本上就是逼着Agent在"纯环境反馈"下运作。

AutoBench Agentic：HuggingFace做的动态benchmark，每次生成不同的虚拟环境来测Agent。Claude Opus 4.7 排第一。但满分 5 分，它只拿了 3.3。没有任何模型接近 5 分。天花板还远得很。

合在一起看：环境正在从"评测工具"变成"第一性变量"。 它不是贴在Agent能力外面的包装，而是决定Agent能走多远的内在约束。

九、往前看

Environment-as-a-Service

综述提的概念：把环境封装成标准化的、可复现的、按需部署的服务。类比是云计算把算力变成水和电。说实话，这个类比在现阶段有点超前。环境比CPU周期复杂太多，状态管理、隔离策略、反馈协议、多模态接口，每一层都是硬问题。这领域可能需要先经历一个"什么才是标准环境单元"的漫长争论，才能谈服务化。

多Agent环境

权限怎么分？产物怎么共享？预算怎么在多个Agent之间协调？当信息不对称被引入（一个Agent知道的东西另一个不知道），整个系统的行为就会涌现出策略博弈。这些不是简单的"从 1 到 N"。单玩家到多玩家的跳跃，会把多智能体系统几十年的经典难题全部重新点燃。

Neural-Symbolic环境

神经网络生成环境草案（覆盖面），符号规则锁死反馈正确性（不出错）。逻辑上完美，工程上每一环节都可能出问题。神经模型的输出怎么自动转成可执行的符号规则？规则引擎怎么处理神经模型生成内容中不可避免的歧义？这些问题不解决，Neural-Symbolic就是一个好听的概念。

环境缩放定律

综述问了一个很疯也很对的问题：存不存在环境版的Scaling Laws？把环境规模往上拉——更多任务、更广场景、更复杂的交互——Agent的能力曲线怎么跟着动？是log还是linear还是power law？

现在没答案。但如果环境工程要变成一门严肃的学科，这就是必答题。不然你永远说不清楚"值得投多少资源去造更好的环境"。

从可验证走向开放式

EurekAgent搞定的全是精确评估函数的任务。数学优化有闭式解，内核跑分有微秒数。但走出这个边界（反馈延迟、有噪声、含主观判断），难度直接跳一个量级。论文自己也很诚实地说，这是明面上的局限。

十、最后一件事

中科院的综述和清华的EurekAgent，是两篇不同风格的论文。一篇铺地图，一篇打据点。但它们指向了同一个地方：

给Agent设计一个好环境，比替Agent设计行为更重要。

不是"也重要"。是"更重要"。

为什么我信这个判断？不是因为两篇论文说它对。是因为它解释了一个其他解释解释不了的现象：Claude Code裸跑能超过所有精心编排的研究专用Agent系统。如果把能力瓶颈定位在"模型不够聪明"或"工作流不够精细"，这个现象就没法解释。Claude Code用的是同一个模型，走的是更简单的流程。

但如果你把瓶颈重新定位在环境，评估防不防作弊、反馈可不可靠、状态能不能恢复、预算是硬约束还是软建议、人看不看得到全局在发生什么，那么这个现象就完全说得通了，精心的环境 > 精心的流程。

我到现在还在想那个 11 美元。

它不是什么"颠覆性的突破"或"划时代的革命"。它就是一个工程做对了的自然结果。把实验台搭干净了，Agent自己会找到路。不需要替它设计走法，需要的是确保它走不错方向。

这大概就是环境工程的全部意思。

PS：

更多Agentic AI技术前沿分享，欢迎扫描下方二维码进入技术交流群（或者添加群助手ID：qstarsky 邀请您进群交流）

Agentic AI

立即扫码

往期回顾

参考文献

1. 1. Xin, A., Siow, J., Wang, J., et al. "EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery." arXiv:2606.13662v2, June 2026. arXiv^[1] | GitHub^[2]
2. 2. Li, J., Jin, Z., Men, T., et al. "Agentic Environment Engineering for Large Language Models: A Survey of Environment Modeling, Synthesis, Evaluation, and Application." arXiv:2606.12191v1, June 2026.
3. 3. Gibson, J.J. The Ecological Approach to Visual Perception. Houghton Mifflin, 1979.
4. 4. "ResearchEnvBench: Benchmarking Agents on Environment Synthesis for Research Code Execution." arXiv:2603.06739, March 2026. arXiv^[3]
5. 5. "EnvSimBench: A Benchmark for Evaluating and Improving LLM-Based Environment Simulation." arXiv:2605.07247, May 2026. arXiv^[4]
6. 6. "ARC-AGI-3: The First Interactive Reasoning Benchmark." ARC Prize Foundation, 2026. Website^[5]
7. 7. "AutoBench Agentic: The Next Generation Agentic Benchmark." Hugging Face Blog, April 2026. Blog^[6]