Youtu-Agent：通过自动生成与混合策略优化扩展智能体生产力
人工智能
2026-01-01 v1
摘要
现有的大语言模型（LLM）智能体框架面临两大挑战：高昂的配置成本和静态的能力。构建高质量智能体通常需要在工具集成和提示工程方面投入大量人工，而部署后的智能体难以在不进行昂贵微调的情况下适应动态环境。为解决这些问题，我们提出 Youtu-Agent，一个专为 LLM 智能体的自动生成与持续进化而设计的模块化框架。Youtu-Agent 具有一个结构化的配置系统，将执行环境、工具包和上下文管理解耦，从而实现灵活复用与自动合成。我们引入两种生成范式：用于标准任务的工作流（Workflow）模式和用于复杂、非标准需求的元智能体（Meta-Agent）模式，后者能够自动生成工具代码、提示和配置。此外，Youtu-Agent 建立了一个混合策略优化系统：（1）智能体实践（Agent Practice）模块，使智能体能够通过上下文优化积累经验并提升性能，无需参数更新；（2）智能体强化学习（Agent RL）模块，该模块与分布式训练框架集成，能以端到端、大规模的方式对任意 Youtu-Agent 进行可扩展且稳定的强化学习。实验表明，使用开放权重模型，Youtu-Agent 在 WebWalkerQA（71.47%）和 GAIA（72.8%）上达到了最先进的性能。我们的自动生成流程实现了超过 81% 的工具合成成功率，而实践模块在 AIME 2024/2025 上分别将性能提升了 +2.7% 和 +5.4%。此外，我们的 Agent RL 训练在 7B 规模的 LLM 上实现了 40% 的加速，并带来稳定的性能提升，在数学基准测试上将编码/推理能力提升高达 35%，在通用/多跳问答基准测试上将搜索能力提升高达 21%。
引用
@article{arxiv.2512.24615,
title = {Youtu-Agent: Scaling Agent Productivity with Automated Generation and Hybrid Policy Optimization},
author = {Yuchen Shi and Yuzheng Cai and Siqi Cai and Zihan Xu and Lichao Chen and Yulei Qin and Zhijian Zhou and Xiang Fei and Chaofan Qiu and Xiaoyu Tan and Gang Li and Zongyi Li and Haojia Lin and Guocan Cai and Yong Mao and Yunsheng Wu and Ke Li and Xing Sun},
journal= {arXiv preprint arXiv:2512.24615},
year = {2026}
}