进入 2026 年，AI Agent 已经从一个前沿探索，变成大模型领域最核心的竞争方向之一。从早期的 Chatbot 到今天的Coding Agent、Deep Research和企业自动化 Agent 等，大模型正在从“回答问题”走向“完成任务”，不只是理解问题生成答案，还要理解环境、拆解目标、调用工具，并在反馈中持续推进。
Agent 的进化，也正在重塑数据的形态：过去的大模型从文本、问答和偏好中学习“如何回答”；执行型 Agent 则需要从真实任务中的环境状态、工具调用、行动轨迹和结果反馈中学习“如何完成”。
也正因如此，下一阶段 Agent 竞争的关键，在于谁能围绕真实任务构建更好的数据、环境、反馈与持续进化机制。
Evolvent AI 创始人胡梦康，正是沿着这条路径走出来的00后创业者。
01
从微软、腾讯混元实习到港大读博，
他开始创业做 Agent 基础设施
胡梦康2023年进入香港大学攻读人工智能专业博士，师从罗平教授和王文平教授，研究方向横跨 Embodied AI 和 LLM-based Agent。
在进入创业之前，他曾在 Microsoft Research、上海人工智能实验室、腾讯混元等机构参与研究工作。
这些经历让他的视角没有停留在论文和 benchmark 本身，而是更早开始关注一个更根本的问题：Agent 如何真正走向复杂应用场景？
博士期间，胡梦康已产出 40+ 篇论文，其中包括 10+ 篇一作/通讯 AI 论文，覆盖 ICLR、KDD、NeurIPS 等顶级会议，谷歌学术引用量超过 2000。他曾入选腾讯青云计划、小红书顶尖人才计划、微软亚洲研究院明日之星，也获得国内顶级美元基金投资。
同时，他还带领团队开发了开源项目 OWL，GitHub 星标即将破 2 万（截止2026年7月9日，已经达到19.9k），是 Agent 方向星标增速最快的项目之一，并曾在通用 AI 助手基准 GAIA 上登顶开源榜首。OWL 也被社区广泛视为开源版 Manus 的代表项目之一，让更多开发者可以真正拆开、运行和改造通用 Agent 系统。
但如果只用论文数量、顶会成果、实习经历和开源项目来介绍胡梦康，其实还不够准确。
更值得关注的是，他的研究主线非常清晰：如何让 Agent 从“能干活”，走向“持续自我进化”。
这也是他创办 Evolvent AI 的核心背景。
如果把他的研究方向串起来，可以看到一条完整的 Agent 技术路线。
第一条线，是支撑 Agent 面向真实任务执行的基础设施，代表工作包括 OWL、HiAgent 和 Tree-Planner。
其中，OWL 作为面向真实世界任务自动化的多智能体协作框架，解决的是如何把模型、工具和协作机制组织成一个可执行的任务完成系统。通过多个 Agent 的动态交互，并结合浏览器、搜索、代码执行、文档解析、多模态和 MCP 等工具能力，完成复杂任务。
而 Tree-Planner 和 HiAgent 则关注 Agent 运行时内部的关键机制优化，尤其是长程任务中的规划、记忆和上下文管理。很多 Agent 失败，并不是因为模型不会推理，而是因为在持续执行过程中积累了大量观察、动作、反馈和中间状态，导致上下文成本升高、噪声变大，甚至丢失关键线索。Tree-Planner 通过计划采样、动作树构建与有根决策三个阶段提升具身场景中的闭环规划效率；HiAgent 则以子目标为单位进行分层记忆管理，缓解长程任务中的工作记忆瓶颈，从而提升任务成功率并减少执行步数。
第二条线，是支撑 Agent 训练与自我进化的环境和数据基础设施，代表工作包括 AgentGen、Text2World、Agent2World 和 Tool-Genesis。
Agent 要持续进化，必须依赖可规模化获取的训练数据。以往 Agent 训练数据的构造通常依赖人工设计任务和环境，不仅成本高、规模有限，也难以覆盖真实世界中的复杂变化。
AgentGen 是面向 LLM-based Agent 的合成环境 Scaling，探索如何自动生成任务、环境和交互轨迹，降低人工设计任务与环境的成本，让 Agent 能在更大规模、更高多样性的场景中学习规划、行动和纠错。Text2World 和 Agent2World 则进一步关注世界模型的自动构建：前者从文本描述中生成符号化世界模型，后者利用多智能体反馈生成和验证世界模型，使环境不只是任务集合，而是包含对象、规则、约束、状态变化和可执行动作的结构化空间。
Tool-Genesis 则把这一过程推进到工具层面，探索 Agent 能否根据任务需求主动创建、适配和维护工具。
这条线的本质，是让 Agent 从依赖人工准备任务、环境、工具和评估方式，走向“任务生成-环境构建-行动反馈-轨迹沉淀-能力改进”的自动化闭环。
这两条线合在一起，指向了同一个目标，让 Agent 不只是能完成一次任务，而是能在真实环境中理解任务、构建环境、调用工具、管理上下文，并通过反馈持续变强。
02
OWL的爆发！Manus最强开源复现与
开源社区的Agent新星
很多 Agent 研究，长期停留在一个相对理想化的设定里，给定任务、给定环境、给定工具，然后评估模型能否按步骤完成。
但真实任务往往是开放的，工具是不断变化的，环境是不完整的，用户目标也可能含糊不清。Agent 不仅要会推理，还要会规划、会协作、会记忆、会适应环境，并能在失败后修正策略。
也正是在这个背景下，Manus 的出现成为了智能体领域的一个重要节点。
它让行业第一次非常直观地看到，通用 Agent 不只是一个会聊天的助手，而可以像一个“云端员工”一样，在浏览器、网页、文件、代码和外部工具之间自主切换，把复杂任务一步步推进下去。
换句话说，Manus 把很多人对 Agent 的想象，从“模型能力展示”拉到了“真实任务执行”。
Manus 因强大的智能体能力引发全球关注，也因邀请制和闭源模式备受讨论；在这一背景下，胡梦康带领团队开发的开源项目 OWL 进入了更多人的视野。
在通用 AI Assistant Harness 方向，OWL 被社区广泛视为开源版 Manus 的代表项目之一。
项目链接：
https://github.com/camel-ai/owl
但 OWL 的意义，并不只是“复现 Manus”。
更重要的是，它试图把 Manus 所代表的通用 Agent 能力，以开源方式系统化地呈现出来，这背后真正要回答的问题是，如果要让 Agent 承担真实世界任务，系统应该如何组织？
胡梦康早期关注 Embodied AI，后来逐步转向 LLM-based Agent，这条路径本身就很有代表性。
具身智能强调智能体要在环境中感知、行动、反馈，而 LLM-based Agent 则把这种“环境交互”迁移到了数字世界：浏览器、代码库、企业系统、工具链、知识库、数据平台，都可以成为 Agent 的工作环境。
OWL 连接了胡梦康对 Agent Harness、多智能体协作、环境交互、工具调用和任务执行闭环的理解，可以更清晰地看到，他关注的不是单点模型优化，而是 Agent 如何在真实世界中稳定工作。
03
Agent 的瓶颈，正在从模型
转向数据、环境和反馈
今天很多人谈 Agent，第一反应还是模型。
模型参数更大，推理能力更强，工具调用更准，似乎 Agent 就会自然变强。
但在胡梦康的研究脉络里，真正决定 Agent 能否持续进化的，不只是模型本身，而是模型背后的数据和环境系统。
这也是 Evolvent AI 选择 Agent Data Infrastructure 作为核心方向的原因。
链接：
https://evolvent.co/en
从 Evolvent AI 官网可以看到，胡梦康希望构建的是能随业务一起学习、成长和演化的数据基础设施。
Agent 不是普通的大模型应用。
普通对话模型需要的是问答数据、指令数据、偏好数据；但 Agent 需要的是任务轨迹、环境状态、工具反馈、失败案例、恢复策略、长程记忆、评估信号和可复现的交互环境。
换句话说，Agent 的训练数据不是一条静态文本，而是一整段“做事过程”。
它需要知道：任务是怎么被拆解的，工具是怎么被选择的，中间哪里失败了，为什么失败，如何纠错，哪些经验可以沉淀，下次遇到相似任务时能否自动复用。
这就是 Agent Data Infrastructure 的价值。
它不是简单做数据标注，也不是传统意义上的数据平台，而是要为智能体构建一套能持续生成、评估、筛选、反馈和迭代的数据闭环。
胡梦康目前关注的两个方向，也正好对应这个问题。
第一，是 Agent Environment Scaling。如果说过去的数据生产主要依赖人工标注，那么在 agent 时代，核心问题变成了：如何用更高效的方式 scale 出足够多、足够真实、足够可验证的 environments。AgentGen、Tool-Genesis 这类方向，本质上是在让 agent 自动生成任务、工具和环境，从而把长程、多步、多轮的 agent trajectories 规模化生产出来。
第二，是 self-evolving AI。当环境、任务、工具和评测都可以被自动生成之后，下一步就是让模型能够基于这些反馈持续自我改进。也就是说，如何形成一个 data → rollout → evaluation → failure analysis → re-synthesis → post-training 的闭环。Evolvent 长期想做的，就是把这个原本需要 researcher 长期维护的模型迭代过程，抽象成一套由 agent 驱动的 Evolution-as-a-Service。
04
为什么是博士创业？
在 AI 行业，博士创业并不罕见。
但胡梦康这个案例有一个特殊之处，他的创业方向并不是从论文里抽一个单点技术做产品，而是把自己过去几年在 Agent 系统、数据、环境、世界模型和上下文工程上的研究，压缩成一个更基础设施化的创业命题。
Evolvent AI 想做的，不是一个简单的 Agent 应用，而是 Agent Data Infrastructure。
这意味着，它要站在更底层的位置，为未来的 AI coworker 提供数据、环境、反馈和进化机制。
到了 Agent 时代，应用层开始从“生成内容”走向“执行任务”，也把一批新的基础设施问题推到了台前。
如何把真实世界里的复杂任务，规模化转化成 agent 可以训练和评估的环境？
如何把模型从一次性训练出来的 artifact，变成一个可以基于真实使用反馈持续演化的系统？
这些问题，正是 Agent 从 demo 走向生产力工具必须跨过的门槛。
也正因为如此，Agent Data Infrastructure 可能会成为智能体时代非常关键的底座。
对于一个还在读博的创业者来说，这条路并不轻松。
但从 OWL 的开源影响力，到 AgentGen、Text2World、HiAgent、Tool-Genesis 等研究积累，再到 Evolvent AI 对 Agent Data Infrastructure 的判断，胡梦康已经给出了一个清晰答案：
Agent 时代真正值得做的，不是造一个更会聊天的 AI。而是为那些未来会长期工作、持续学习、自我进化的 AI coworker，先搭好底座。
END
关注+星标，获取AI前沿进展与优质开源项目