办公Agent大战正酣，真正的胜负手却藏在看不见的地方

飞书 Aily、WorkBuddy、千问办公轮番上阵，挤破头想要抢占企业办公入口，AI Agent 正以前所未有的速度走进真实工位。写周报、跑数据、处理工单、盯流程……越来越多重复性的办公任务，开始被交到 Agent 手里。热闹背后，一个更根本的问题却容易被忽略：这些每天准时「上班」、反复干着同一类活儿的 Agent，真的会因为干得多而变得更好用吗？ 再强的基座，训练结束、参数冻结、进入部署后，就停止了成长。但 AI 界显然不打算让模型永远停在「毕业」那一刻，让模型像人一样「活到老学到老」正在成为整个行业最烫手的话题。 比如智谱在 GLM-5.2 的规划里明确表示，下一步要攻克的关键技术包括记忆、持续学习和自我评判。年初从 OpenAI 离职的推理模型大佬 Jerry Tworek 离职后便很快创立 Core Automation，直接剑指持续学习。就连图灵奖得主、强化学习之父 Richard Sutton 近日也亲自下场创业，成立 Oak Lab，致力于建立能从自身经验中持续学习和进化的 AI。持续学习，正从少数人的探索演变成行业共识。 放眼这条正在持续变热的赛道，Pyromind（火思动力）已经给出了一个答案：这家成立于 2025 年 10 月的创业公司已经率先把 Agent 后训练产品化，用 AutoRL 打通了从任务反馈到模型更新的完整闭环，还用多项让人眼前一亮的成果证实价值，成为了走得最靠前的那一批。 该公司的定位是一家专注于持续学习与进化的 RLaaS（强化学习即服务）公司，押注的判断也很清晰：Agent 的下一次进步，应该来自于上一次运行的反馈与积累。 让一个 Agent 从任务里持续学习，至少要回答几个环环相扣的问题：哪些真实反馈值得学？学到的东西怎么不破坏原有能力（灾难性遗忘）？怎么把散落在日志、轨迹、评估里的经验变成一次真正的模型更新？又怎么让这一整套流程在企业的算力和成本约束下稳定、可验证地跑起来？ 业界给出的答案五花八门。有的靠外挂记忆和外部技能库，有的靠 test-time training 在推理时微调，有的干脆把后训练（尤其是强化学习）搬到部署之后，让真实任务的反馈直接进入训练闭环。路线不同，但指向同一个终点：把「经验」沉淀成「能力」。 为此，需要把算法、分布式工程、算力调度、效果验证这些散落的环节，真正组合成一条能在生产环境里稳定跑起来的闭环。而这正是 Pyromind 想做也正在做的事。 当它还停留在 Demo 阶段时，衡量标准很简单：能不能把一件事做完。但当 Agent 开始进入真实业务、长期运行、反复执行同一类任务，标准就变了：能不能在运行中越用越好，稳定性、适应性和长期成本能不能扛得住。 这个转折并不轻松。就在上个月底，IT 服务巨头 Cognizant 宣布成立一个专门的 EMEA（欧洲、中东、非洲）AI 部门。靶心直指一个正困扰整个行业的难题：太多企业的 Agent 项目，卡在了从演示走向生产的那一步。 根据其发布报道中引用的 AI 可观测性公司 Fiddler AI 的生产可靠性研究，一些在受控演示里表现优异的企业 Agent，单次运行的成功率约为 60%，可一旦放到生产负载下连续跑 8 次，成功率就跌到了 25%！ 演示环境看不出问题，是因为它往往用的干净数据、接口文档清晰、流程约束良好；而真实的企业环境往往难以同时满足这些条件。 其一，模型使用方式从单次调用变成长期运行。Agent 会在生产环境里持续运转、反复处理任务，于是稳定性、对业务变化的适应能力和长期调用成本，都从技术指标变成了实打实的生产问题。 其二，生产环境的反馈开始出现。真实任务每天都在产生成功、失败、人工修正和业务反馈，这些原本被丢弃的数据，却正好是优化模型能力最直接的原料。 把 Agent 类比成一名员工会更容易理解：大模型给了它基本知识，提供了能力起点；Prompt 和工作流告诉它这次要做什么；而一名员工真正的价值在于把每一次工作的经验沉淀成长期能力，越做越好。今天大部分 Agent 缺的正是这最后一环。 预训练决定了模型的通用智力与知识底座。它赋予 Agent 基础的理解与表达能力，但训练成本极其高昂，且面向的是通用预测，无法直接解决特定企业复杂业务流中的精准决策问题；上下文工程约束的是当前这次执行怎么做；记忆机制能让它记住上下文里的偏好，但更多是「调取」而非「内化」，如果换一个新的类似场景，能力本身并不会变强；SFT（监督微调）能让模型快速学会复制标准的流程与动作。但它高度依赖静态的高质量专家轨迹，不仅标注成本极高，而且面对真实业务中多步决策的动态报错、延迟反馈和长尾场景时，缺乏自纠错与自我探索的泛化能力。 它们都很有用，但都难以针对长期、多步、动态变化的真实业务做持续优化。一个 Agent 即使执行了海量任务，如果这些任务里的成功与失败没有进入训练和验证，它也不会因此自动变好。 在 Pyromind 看来，自进化和持续学习是解决之道。以强化学习（RL）为代表的后训练可把真实任务中的成功、失败和业务反馈转化为奖励信号，通过持续训练提升模型在单次执行、多步决策和复杂目标上的稳定表现。 这个判断也正是那些明星团队不约而同的选择。无论是智谱把持续学习写进 GLM-5.2 的技术规划，还是 Sutton 用 Oak Lab 去追求「从运行时经验中实时学习」，抑或 Core Automation 想让模型在生产中直接更新权重，它们的共识都是：静态部署的时代正在过去，真正的进步要来自运行之后。而这条路线的难点在于「怎么把 AI 变成一套能持续运行的系统」。 在它的设计里，Agent 在真实工作中产生的成功、失败、人工修正和业务反馈，要依次经过采集、分析、奖励生成、模型训练、效果验证和模型更新，最后重新应用回实际任务。并且，这条链路是可以自动运行、反复迭代的。原本分散在不同工具和系统里的后训练环节，被连接成一套完整的学习闭环。 这背后的工程挑战，正是制约行业落地的最大阻碍。比如强化学习开源项目 AReaL 团队曾直言，自进化 Agent 的关键瓶颈不只是模型有多强、算法多先进，而是缺少一套能服务真实 Agent 的在线强化学习基础设施；他们还披露过一个细节：在搜索类 Agent 的训练中，单条轨迹最长的探索时间可能长达一到两小时，这种长尾会把整批数据拖慢、造成大量 GPU 闲置，让训练效率急剧下降。 算法、分布式训练、算力调度、奖励设计、效果验证……每一环都需要专门的团队和大量试错。大多数企业其实都想让 Agent 持续学习，但却被这条链路的复杂度挡在了门外。 Pyromind 的产品设计正是为了简化这一切。它把面向开发者和企业的一系列能力，归纳进一个关键词：AutoRL（自动强化学习），其目标用一句话概括就是：把复杂的强化学习过程自动化，让任何团队都能轻松像搭乐高一样开始后训练，而不必自己从零搭建。 第一层是后训练的基础设施，目标很简单：简化训练。为此，Pyromind 打造了一个可视化工具，只需把核心组件直接拖拽到画布上、简单配置就能连成一条可编辑的训练管线，支持 SFT、GRPO、DPO 等多种训练方式，还能联动机器人仿真沙箱，实时查看训练轨迹、奖励值等关键指标。过去分散在代码和环境配置里的工作，就此被沉淀成清晰、可复用的流程。 第二层是后训练的奖励构建。奖励信号是强化学习的方向盘，直接决定模型往哪儿学。Pyromind 在这一层提供了生成式的奖励构建能力，既能面向准确性的奖励生成建模，也可面向偏好建模，进而帮助企业针对不同任务目标，更高效地设计出合适的奖励。 在这两层之上还有一层是让后训练「无感化」，即把「训练」和「上线」这两个很重要的任务都藏到了用户看不见的地方，但这也是最核心的一层。系统会在日常使用中自动收集会话信息、学习用户习惯，并在后台完成持续训练；训练好的模型再自动发布成推理端点、通过灰度切流平滑地接管线上 Agent。用户要做的，仅仅是设定一个预算上限，就能在预算之内坐享 Agent 效果的持续提升。 这三层之下，Pyromind 还备有一套配套基础设施，包括弹性开发环境、安全仿真沙箱、高性能推理部署和统一存储底座，让数据、模型和训练任务能在整个平台里顺畅流动。 把这些拼在一起，Pyromind 想交付的其实是一个开箱即用的后训练平台框架。企业不需要自建强化学习团队、不需要反复趟坑，就能让 Agent 在上线之后持续学习和改进。 这也正是 Pyromind 与赛道上其他玩家最不同的地方。传统云厂商和 MaaS 平台主要提供算力、推理或轻量微调，Agent 开发框架帮助组织和执行任务，它们解决的是「怎么把 Agent 跑起来」；而 Pyromind 聚焦的是 RL 训练的全链路工程化与持续自进化，想解决的是「怎么让 Agent 跑起来之后越用越好」。 更长远地看，Pyromind 的愿景是让每一个 Agent 都拥有从任务中持续学习和进化的能力，进而让每一次任务都成为它下一次能力提升的基础。 长期以来，行业普遍认为模型的性能和成本两者无法兼得。而PyroDash 证明了通过精准的后训练与模型协同，完全可以在极低成本下实现甚至超越大模型的表现。 在五项数学推理基准上，PyroDash 一边把平均准确率做到超过纯大模型基线，一边把推理成本大幅压低；偏重成本的配置下，总成本可以降低九成以上。对于要长期、高频调用大模型的 Agent 场景来说，这意味着一条更省钱也更可持续的路径。目前 PyroDash 的模型、数据集与测试代码均已开源。在这样的新范式下，大小模型不再是互斥关系，而是协同进化。并且随着落地场景的逐步扩展，后训练也将自然延伸并演进为 Agent 的持续学习。 另一项成果R2VLA则把「从经验中学习」的思路延伸到了物理世界。机器人 AI 进入真实产线，第一步不是部署模型，而是要先拿到一批能用于后训练的高质量真机动作数据，但这批数据过去主要靠人工遥操作采集，慢且贵。 R2VLA 的解法是让产线上已有的规则系统先当「老师」，在真实设备上自动生成动作轨迹，再经过时间对齐、自动打标、质量筛选和后训练，形成一条自驱动的数据管线。据介绍，这条管线可以连续 24 小时零人工运行，把整体数采时间降低 50% 以上。本质上讲，R2VLA 是把传统规则系统变成了 AI 的「数据工厂」。 更关键的是，模型上线之后，产线仍会持续产生新数据回流进训练，实现下一轮成长。这正是「持续学习」在物理世界里的一次具体印证。 从数字世界的推理成本，到物理世界的数据生产，PyroDash 和 R2VLA 指向的其实是同一件事：无论是屏幕里的数字 Agent，还是产线上的物理 Agent，都能被纳入同一套「持续学习」的框架里，从自己的每一次运行中获得成长。 这背后是 Pyromind 更深层的愿景和对下一代 Agent 的长期判断：持续学习不该是某一类 Agent 的专属能力，而应该是所有 Agent 的通用底座。数字世界和物理世界或许形态迥异，但「让 Agent 从经验中变强」却能够共享同一套方法论。 支撑这些成果的是一支小却资深的团队。据了解，Pyromind 由阿里云、字节等背景的资深工程师组成，成立至今已完成千万级美元融资，投资方包括高瓴创投、百度风投、蓝驰创投、Atypical Ventures 和 HyperCompute 等多家机构。 在能力验证上，团队在 ICRA 2026 全球具身智能挑战赛中获得第 7 名，是国内唯一以「大模型微调＋强化学习后训练」为核心技术路线进入该赛道全球前十的团队；场景侧，Pyromind 已与优必选、欢网、华秋智联等多家客户完成签署，覆盖具身 VLA、端侧 GUI Agent 和电路 EDA 等多个场景。 Agent 正在从演示走向真实生产，竞争的重点也随之从「能否完成任务」转向「能否在任务中持续学习和提升」。这是一个仍在展开的行业命题，也是 Pyromind 从第一天起就锚定的方向。 总结起来，Pyromind 是一家专注于 Agent 持续学习与后训练基础设施的 AI 公司，它用一个 AutoRL 平台，把「让 Agent 从每一次任务中成长」变成了企业开箱即用的能力。它想验证的判断也很简单：如果真实任务中的轨迹、结果和反馈能够顺畅地进入训练、验证与模型更新，任务经验就能稳定地转化为新的能力。 如果这个判断成立，那么衡量一个 Agent 的标准，或许就该从「它做过多少任务」，变成「它从这些任务里学会了多少」。而 Pyromind 想做的，正是让每一个 Agent 都拥有这种从工作中持续成长的能力。