Yunjue Agent Technisch Rapport: Een Volledig Reproduceerbaar, Nulstart In-Situ Zelf-Evoluerend Agentensysteem voor Open-Einde Taken

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

January 26, 2026

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

cs.AI

Samenvatting

Conventionele agentsystemen hebben vaak moeite in open-ended omgevingen waar taakverdelingen continu verschuiven en externe supervisie schaars is. Hun afhankelijkheid van statische toolkits of offline training loopt achter op deze dynamiek, waardoor de capaciteitsgrenzen van het systeem rigide en onbekend blijven. Om dit aan te pakken, stellen we het In-Situ Zelf-Evoluerende paradigma voor. Deze benadering behandelt sequentiële taakinteracties als een continue stroom van ervaring, waardoor het systeem kortdurende uitvoeringsfeedback kan destilleren tot langdurige, herbruikbare capaciteiten zonder toegang tot ground-truth labels. Binnen dit raamwerk identificeren we tool-evolutie als het kritieke pad voor capaciteitsuitbreiding, dat verifieerbare, binaire feedbacksignalen verschaft. Binnen dit raamwerk ontwikkelen we Yunjue Agent, een systeem dat iteratief tools synthetiseert, optimaliseert en hergebruikt om nieuwe uitdagingen het hoofd te bieden. Om de evolutionaire efficiëntie te optimaliseren, introduceren we verder een Parallelle Batch-Evolutie strategie. Empirische evaluaties over vijf diverse benchmarks in een zero-start setting tonen significante prestatieverbeteringen aan ten opzichte van propriëtaire baseline-systemen. Daarnaast bevestigen aanvullende warm-start evaluaties dat de opgebouwde algemene kennis naadloos kan worden overgedragen naar nieuwe domeinen. Ten slotte stellen we een nieuwe metriek voor om evolutionaire convergentie te monitoren, die functioneert als een analogie voor de trainingsloss in conventionele optimalisatie. We maken onze codebase, systeemtraces en geëvolueerde tools open source om toekomstig onderzoek naar veerkrachtige, zelf-evoluerende intelligentie te faciliteren.

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.