Yunjue Agent Tech Report: Ein vollständig reproduzierbares, nullstartfähiges In-situ-Selbstevolvierendes Agentensystem für offene Aufgaben

Yunjue Agent Tech Report: A Fully Reproducible, Zero-Start In-Situ Self-Evolving Agent System for Open-Ended Tasks

January 26, 2026

papers.authors: Haotian Li, Shijun Yang, Weizhen Qi, Silei Zhao, Rui Hua, Mingzhu Song, Xiaojian Yang, Chao Peng

cs.AI

papers.abstract

Konventionelle Agentensysteme stoßen in offenen Umgebungen oft an Grenzen, wenn sich Aufgabenverteilungen kontinuierlich verschieben und externe Überwachung knapp ist. Ihre Abhängigkeit von statischen Werkzeugsätzen oder Offline-Training hält mit dieser Dynamik nicht Schritt, wodurch die Fähigkeitsgrenzen des Systems starr und unbekannt bleiben. Um dieses Problem zu lösen, schlagen wir das Paradigma der *In-Situ-Selbstevolution* vor. Dieser Ansatz behandelt sequenzielle Aufgabeninteraktionen als kontinuierlichen Erfahrungsstrom und ermöglicht es dem System, kurzfristige Ausführungsrückmeldungen in langfristig wiederverwendbare Fähigkeiten zu destillieren, ohne auf Ground-Truth-Labels zugreifen zu müssen. In diesem Rahmen identifizieren wir die Werkzeugevolution als kritischen Pfad zur Erweiterung der Fähigkeiten, da sie überprüfbare, binäre Rückmeldesignale liefert. Innerhalb dieses Frameworks entwickeln wir den Yunjue Agent, ein System, das iterativ Werkzeuge synthetisiert, optimiert und wiederverwendet, um neuen Herausforderungen zu begegnen. Um die evolutionäre Effizienz zu steigern, führen wir eine *Parallel Batch Evolution*-Strategie ein. Empirische Auswertungen über fünf verschiedene Benchmarks unter Zero-Start-Bedingungen demonstrieren signifikante Leistungssteigerungen gegenüber proprietären Baseline-Systemen. Zusätzlich bestätigen komplementäre Warm-Start-Evaluierungen, dass das akkumulierte Allgemeinwissen nahtlos auf neue Domänen übertragen werden kann. Schließlich schlagen wir eine neuartige Metrik zur Überwachung der Evolutionskonvergenz vor, die eine ähnliche Funktion erfüllt wie der Trainingsverlust in der konventionellen Optimierung. Wir veröffentlichen unsere Codebasis, System-Traces und evolvierten Werkzeuge als Open Source, um zukünftige Forschung zu widerstandsfähiger, sich selbst evolvierender Intelligenz zu fördern.

English

Conventional agent systems often struggle in open-ended environments where task distributions continuously drift and external supervision is scarce. Their reliance on static toolsets or offline training lags behind these dynamics, leaving the system's capability boundaries rigid and unknown. To address this, we propose the In-Situ Self-Evolving paradigm. This approach treats sequential task interactions as a continuous stream of experience, enabling the system to distill short-term execution feedback into long-term, reusable capabilities without access to ground-truth labels. Within this framework, we identify tool evolution as the critical pathway for capability expansion, which provides verifiable, binary feedback signals. Within this framework, we develop Yunjue Agent, a system that iteratively synthesizes, optimizes, and reuses tools to navigate emerging challenges. To optimize evolutionary efficiency, we further introduce a Parallel Batch Evolution strategy. Empirical evaluations across five diverse benchmarks under a zero-start setting demonstrate significant performance gains over proprietary baselines. Additionally, complementary warm-start evaluations confirm that the accumulated general knowledge can be seamlessly transferred to novel domains. Finally, we propose a novel metric to monitor evolution convergence, serving as a function analogous to training loss in conventional optimization. We open-source our codebase, system traces, and evolved tools to facilitate future research in resilient, self-evolving intelligence.