新智元报道

当大模型已经能够快速生成文案、图片和视频，一个更进一步的问题是：Agent 能否从执行过的任务中积累经验，并在持续交互中改进后续行为？

社交媒体为这一问题提供了具体场景。

Agent需要理解创作者的定位，协调多种工具完成内容制作，并在发布之后面对真实受众的反馈。一次任务中的选题判断、表达方式与执行结果，都可能影响下一次决策。

浙江大学REAL Lab与北京大学OpenDCAI Lab联合开源的Easel，正围绕这一过程展开探索。项目将账号画像、多模态技能、平台交互与反馈分析连接起来，构建覆盖发现、策划、制作、发布和复盘的连续工作流。

项目主页：zju-real.github.io/Easel

代码链接：github.com/ZJU-REAL/Easel

Easel 的研究切入点，是将内容创作组织为一个能够积累上下文与经验的交互过程：Agent 在任务中执行，在结果中发现问题，再将值得保留的经验带入后续任务。当前，这种持续适应主要通过外部记忆与上下文更新实现，为探索 Self-Evolving 的社媒Agents提供具体的系统基础。

真实社交媒体：一个具有长期约束的交互环境

社交媒体内容生产包含连续的决策依赖。选题影响脚本，脚本影响素材制作，平台表达影响受众理解，发布后的互动又为后续创作提供反馈。一次生成的质量，只能反映其中一个局部环节。

这个环境还具有三个值得研究的特征。

首先，目标具有个性化。同一个话题，对不同账号的价值不同；同一篇论文，面向专业读者和普通受众时，需要采用不同的解释路径。

其次，环境持续变化。热点、受众兴趣与平台条件并不固定，过去有效的方法需要在新的任务中重新判断其适用性。

最后，反馈具有延迟和噪声。内容表现受到选题、表达、曝光和时机等因素共同影响，Agent 需要区分可以复用的经验与偶然结果。

这些特征使持续创作成为研究长期 Agent 的一个具体入口：系统既要保持对用户目标的稳定理解，也要根据新的证据调整行动。

画像与长期记忆：持续适应如何发生

Easel 将账号上下文组织为定位、风格、受众、平台、偏好边界和长期记忆六个维度，让用户约束能够贯穿不同任务。

例如，一个科技账号反复强调「保留方法细节，但减少术语堆砌」，这一偏好可以影响后续选题深度、脚本结构和图文表达。Agent在新任务中读取相关上下文，无需每次重新建立对账号的理解。

长期记忆则承接交互中形成的新经验。Agent会筛选可复用的偏好、制作方法与效果发现，经用户确认后增量写入，并与已有内容合并。临时规格和一次性参数不会直接成为长期规则。

由此，Easel 形成了一条基于记忆的适应路径：任务交互产生反馈，反馈被提炼为候选经验，经确认后进入长期上下文，再参与后续决策。

这里变化的是Agent可使用的知识与经验。用户确认使记忆更新具有可审视性，也为纠正错误总结保留了入口。围绕这一机制，可以进一步研究经验的筛选、保留与更新，以及长期积累是否真正改善了后续任务表现。

112个skills：多模态任务编排与执行经验复用

持续适应需要落实到具体行动。Easel 当前内置 112 个 Skills，覆盖发现、策划、制作、发布、归因及基础能力，将执行流程、领域知识和工具调用方式组织为可组合的能力单元。

Agent 根据任务目标选择技能，按需读取流程与参考资料，再协调文字、图像、语音和视频工具执行。复杂任务被拆解为具有依赖关系的步骤，各步骤共享上游结果。

以论文解读为例，Agent 先提炼研究问题、方法与关键证据，再组织文章、知识卡片或视频脚本，随后完成配图、配音、字幕与合成。同一组结构化材料支撑不同表达，减少各模态独立理解原文带来的信息偏移。

Easel 按项目保存源文件、中间产物与最终成品，并记录关键结论、产物关系和执行状态。后续步骤能够复用已有素材与决策，失败时也可以根据记录定位问题、继续处理。

从研究角度看，这使任务经验拥有了具体载体：成功的结构、有效的素材组织方式和执行中的问题，都有机会被回顾和复用。开放的技能体系也允许开发者将验证过的方法沉淀为流程，为进一步研究技能选择与组合策略提供基础。

账号画像·为不同账号建立可复用的创作上下文

热点雷达·聚合多平台趋势筛，选适合当前账号的选题

内容日历·统一管理选题、草稿、待发和已发内容

发布中心·从一份母版生成多平台版本并完成发布检查

两种反馈：任务内修复与跨任务适应

Easel 中的反馈可以从两个时间尺度理解。

任务内反馈直接作用于当前产物。模型负责内容理解、结构设计与表达判断，工具负责媒体处理和规格检查，再根据结果指导修改。例如，图文需要检查布局与可读性，视频需要核对画面、声音和字幕；生成对白存在偏差时，可以根据检查结果选择替换配音或重新生成。

这种局部反馈帮助 Agent 在当前任务中发现错误，并将修复动作作用于相关环节。

跨任务反馈则来自用户修订和发布后的表现。哪些解释反复造成理解障碍，哪些制作方法被用户持续认可，哪些选题值得继续展开，都可能形成后续任务的参考。

两种反馈承担不同职责：前者支持当前任务完成，后者为长期行为调整提供依据。将它们连接起来，才能进一步研究局部修正如何转化为可迁移的经验，以及相似错误是否会在后续任务中减少。

SpatialEvo·论文解读

生活记录

自然风光

梗词卡片

跨平台表达：检验经验的适用边界

同一内容进入小红书、抖音、知乎和B站时，需要调整信息密度、叙事节奏与媒体形式。Easel 支持围绕共同材料生成不同平台版本，并进行发布前检查。

这一场景也提供了观察经验迁移的机会。某种解释结构可能适合多个平台，某种开场方式却可能只在特定受众中有效。Agent 需要保持核心信息一致，同时根据新的条件调整表达。

因此，跨平台任务能够提出更具体的研究问题：哪些经验属于账号的稳定偏好，哪些依赖平台和内容形式？从一个场景中总结的方法，迁移到另一个场景后是否仍然有效？

Easel 通过画像、项目材料和平台上下文共同组织这些任务，为比较不同条件下的行为与结果提供了基础。

从真实反馈中学习：经验质量比记忆数量更重要

发布之后，Easel将内容事件与账号时序数据纳入分析。工具完成指标统计与趋势计算，Agent结合账号上下文解释结果，并提出调整建议。

但高互动并不能直接证明某种策略有效。热点时机、额外曝光和样本差异，都可能影响结果。如果把偶然表现固化为长期规则，记忆反而可能使后续判断产生偏差。

因此，Easel的分析流程要求保留样本量与数据覆盖情况，并区分相关关系和因果关系。可复用的发现再经过创作者确认，进入账号画像。

这也意味着，对自进化能力的评估不能只看系统保存了多少经验，还需要检验：经验是否有依据，是否适用于新任务，是否减少了用户纠正，以及在环境变化后能否被合理修订。

面向自进化社媒Agent的开放研究

浙江大学REAL Lab与北京大学OpenDCAI Lab希望通过Easel，探索Agent在真实社交媒体中的理解与行动能力：它如何同时理解创作者的定位和受众的需求？如何协调多模态工具完成连续任务？又如何从带有噪声的真实反馈中提炼有效经验？

Easel开放了技能体系、画像结构、执行工具与架构文档，将用户上下文、多模态任务执行和真实反馈连接到同一套可观察的工作流中。

创作者可以通过实际任务提供交互与反馈，开发者可以扩展模型、工具和技能，研究者则能够围绕具体机制开展对比实验：长期记忆是否改善个性化一致性，结构化中间产物是否减少信息偏移，执行检查是否降低重复错误，以及历史经验能否帮助Agent应对新的任务条件。

这些问题也构成了 Easel 后续探索自进化的方向。当前系统提供了经验积累与反馈利用的基础，而更可靠的经验筛选、适用条件建模和技能改进，仍需要进一步研究与验证。

从完成一次任务，到让一次任务的经验改善下一次行动，是Easel希望持续探索的核心问题。真实社交媒体中的长期交互，为检验这一过程提供了具体而复杂的环境。