专访火思动力Kevin Ding：未来选择Agent，要看它过去三十天学会了什么｜甲子光年

从一次性交付到持续学习，Agent竞争转向上线之后。

作者｜田思奇

作者｜栗子

一个Agent已经执行过几十次、上百次任务，到了下一次，它会不会因此做得更好？

7月底，Salesforce在一篇讨论Agent自我改进（self-improving agents）的文章中判断：未来Agent的竞争，不只看基础模型有多聪明，更取决于它能否从自己的工作结果中持续学习。

几乎同时，OpenAI推出企业Agent产品Presence，把生产环境里的持续评估、问题发现和上线后的调整放到了更重要的位置。两家公司的技术路线不同，但都指向让Agent上线之后持续变好。

在这个问题被越来越多公司摆上台面之前，Pyromind Dynamics（火思动力）已经率先把Agent持续学习做成产品。它希望Agent进入真实环境以后，怎样从一次次工作中继续获得新的能力。

这背后的判断，始于Pyromind创始人Kevin Ding在2026年初的一次GUI Agent实验。对于这类让AI像人一样看着屏幕点击按钮、填写内容、操作软件的Agent，Ding和团队可以不断修好已经暴露的问题，但新的应用和任务一出现，Agent就又会掉进相似的坑。

Kevin Ding后来把它概括成一句话：今天的Agent已经会工作，但还不会成长。

过去几年，Agent行业的大部分注意力都放在“让它会做更多事情”上。模型越来越强，能调用的工具越来越多，任务也从几分钟延长到几小时。但当Agent长期嵌入业务流程后，新的问题随之而来：它每天做了这么多事，究竟留下了什么？

随着相关技术逐步成熟，行业已经开始填补这一缺口。今年6月，Google开源OpenRL，试图把复杂的后训练（Post-training）基础设施抽象成API。这套设计明确借鉴了Thinking Machines Lab的Tinker。英伟达今年也在持续推进Agent强化学习（RL），研究如何通过训练，让模型在特定任务中获得比Prompt和一次性微调更稳定的能力。

Kevin Ding认为，市场需求、技术条件和数据供给第一次对上了。

在此前的算法研发、训练基础设施和端侧落地经历中，Kevin Ding接触了越来越多真实场景和客户需求，也反复看到同一个问题：模型可以被交付出去，但业务一直在变化，能力却不会自然跟着变化。这些现场观察，再加上他对Agent产业下一阶段的判断，最终促使他离开大厂，创办Pyromind Dynamics。

公司名是他自己组合出来的单词：Pyro是火焰，Mind是思想，Dynamics指向不断变化和自驱的状态。中文名“火思动力”由此而来。

如果Agent最终从一次性交付的工具变成长期参与工作的系统，对它的评价方式也会随之变化。几年以后再要选择一个Agent，企业也许不会只问它今天会什么，还会多问一句：

过去30天，它又学会了什么？

以下是「甲子光年」与Pyromind创始人Kevin Ding的对话，经编辑整理：

1.把已知题修好，不等于学会了

甲子光年：起初进入AI领域时，你最想弄明白的底层问题是什么？

Kevin Ding：我本科时开始关注神经网络，后来做类脑计算和脉冲神经网络（SNN），其实一直在追问一个比较大的问题：什么是AI的本质。

后面的工作经历看起来跨度很大，包括CV、大规模训练和基础设施、IoT、端侧和云，但对我来说，它们不是完全分开的方向，而是从不同视角理解AI产品和技术路径。我一直想回答的，是如何把AI从一个算法结果变成可用的系统。

甲子光年：到目前为止，关于什么是真正的AI，你找到答案了吗？

Kevin Ding：坦白说，还没有。2019年，我还在做类脑计算时读到了《Attention Is All You Need》，也在自己的SNN中使用过Attention机制。当时很难想象Transformer能发展到今天的程度。它解决了一个非常重要的问题：让模型能够随数据和算力规模平滑扩展，从而产生非常强的通用能力。

但当我们问自主性、意识或智能的本质时，Transformer显然还不是终点。它今天已经能做很多过去只能由人完成的事，但这和一个能自主理解世界的智能，仍然是两件事。

甲子光年：从类脑计算到视觉、训练基础设施和端侧，这些经历如何塑造了你的判断？

Kevin Ding：做SNN时，你会发现一个模型架构虽然可能有启发性，但如果没有可规模化的数据和训练路径，就很难成为主流。

做算法的时候，单点算法的Reward很强，你会本能地把某个任务上的效果做到极致，当成最高优先级。但到了基础设施侧，最重要的变成了怎么把能力转化成可复用、可规模化交付的标准服务。再到IoT和端侧，设备算力有限，你不可能什么任务都调最大的模型，必须考虑模型裁剪、量化等等。

所以我后来的体会是，如果只偏向一个点，方案的商业属性会变弱。实验室里的最高分不等于生产环境里的最好方案。好的AI必须能被复用、被部署、被验证，并且在环境变化时继续学习。

甲子光年：你是在什么项目中，第一次意识到现在的Agent存在一个更根本的问题？

Kevin Ding：最早是在一个GUI Agent项目上。当时我们认为Base Model已经足够好，理论上应该能够做好界面理解和任务规划。

我们换了更强的视觉语言模型（Vision Language Model, VLM），增加System Prompt和规则，效果仍不理想时，又补充少量数据做SFT。短期内，已知任务的Pass@1(任务成功率)确实提高了；但只要出现新任务或新的应用，表现就会迅速回落。

这让我们看到，这些方法主要是在修复已经见过的问题。Agent可以执行单点任务，却无法从任务中学习新能力。把已知题修好，不等于Agent会从经验中学习。今天的Agent已经会工作，但还不会成长。

甲子光年：市场和技术发生了什么变化，让你认为现在可以离开大厂、全身心投入Agent持续学习这一创业方向？

Kevin Ding：我的判断是，AI正在进入下半场。上半场的主题是预训练，集中数据、算力和人才，训练参数更大、更通用的模型。这个市场天然高度集中，大公司有很强的优势。

下半场则是模型进入真实生产环境，嵌入具体工作流。工艺数据、机器人轨迹和用户偏好都生长在各自环境里，评价标准也不再是通用Benchmark，而是每家企业自己的任务成功率、成本、合规和偏好。

让我觉得时机到了，是因为三个条件第一次同时具备了。第一，基础模型已经提供了足够好的 Baseline，企业不需要再从零开始训练；第二，Agent 开始真正进入生产，企业手里有了持续产生的任务轨迹和业务反馈；第三，强化学习基础设施和 Reward 工程逐渐成熟，领域知识、历史任务和人工复核记录可以被转化为可训练、可验证的奖励信号。

比如质检产线每天都会产生误报、漏检和人工复核记录。过去这些记录只是运营成本，今天它们可以成为下一轮训练的原料。市场需求、技术条件和数据供给第一次对上了。这是我选择出来创业的原因。

2.Agent自进化，需要后训练把经验沉淀为能力

甲子光年：做Agent持续学习，有助于你追求智能的本质吗？

Kevin Ding：我个人对智能的本质感兴趣，但创业不能建立在一个哲学问题上。更现实的判断是，随着Agent长期进入生产，它们都会遇到一个问题：做过的任务如何自然变成下一次的能力。

我们最终选择持续学习，是因为这个问题不是属于某一个应用，而是会反复出现在不同场景里。

甲子光年：真到了客户那里，他们会有多么在意Agent的成长？

Kevin Ding：一两年前，客户会先问任务能不能做，再问演示成功率有多少。今天他们开始问更现实的问题：Agent使用一年后能提升多少，维护成本会不会越来越高，企业最后能沉淀什么。

生产环境不是静态考试。产品、订单、用户、流程和监管要求都在变，模型如果停留在交付时的状态，很快就会落后于真实需求。过去的交付逻辑是上线即完成，新的交付逻辑应该是上线才开始学习。

比如一条产线，今天检测的产品型号、材料反光、摄像头角度和客户验收标准，都可能和下个月不同。过去的规则模型后面常常还要坐着一排人做复核；现在的需求是这些人的判断能持续回到训练系统，成为Agent下一轮的能力。

甲子光年：行业里也有很多人在谈Agent自我改进，Prompt、记忆、工作流都可以让Agent越用越顺。为什么你认为还需要后训练？

Kevin Ding：Prompt、记忆、Harness和工作流都有自己的价值，能帮助Agent完成任务。但我们的核心判断是，外围系统可以改变Agent给模型提供的上下文，但只有后训练才能稳定提升模型自身的能力。

任务足够复杂、流程足够长、环境持续变化时，只在参数外不断加规则，系统会越来越脆弱，可能一次基础模型更新就会影响整套Agent系统的稳定性。因而我们更相信持续后训练，把真实任务里的反馈重新变成训练信号，最终转化成模型本身的能力。

这就像一个员工反复出错，管理者不断在他的工位旁贴流程卡。卡越贴越多，他却没有真的学会判断。Prompt和规则很多时候是在加流程卡，后训练要改变的是员工本人的能力。

甲子光年：什么样的问题做SFT或工作流就够了？什么问题需要强化学习？

Kevin Ding：我们主要看三个信号：环境是否持续变化，能力是否需要长期复利，人工维护成本是否已经越过临界点。

如果任务有固定SOP、异常类型有限，Prompt、工作流、RAG或一次性SFT就很有效。比如在“收到某类邮件后，把附件存到指定目录并通知某个人”这样的固定流程里，工作流就是更简单、更可靠的解法。

但实际复杂生产系统是人与系统结合的流动状态。如果任务涉及多步决策，需要平衡效果、成本、合规和用户偏好，环境又持续变化，就要让生产数据和人工反馈不断回流。比如GUI Agent替用户在不同品牌手机、不同App版本中完成多步操作，界面、用户偏好和异常情况都不断变化，单靠一套固定规则很快就会失效。

可以把前者理解成AI时代的RPA，把后者理解成一个需要不断学习的新员工。Prompt、工作流和一次性微调更适合相对稳定的适配需求；持续后训练解决的是反馈不断产生、目标持续变化时的动态成长。

甲子光年：企业每天都会产生大量业务数据，有了这些数据，Agent就会自然变好吗？

Kevin Ding：不会。原始数据本身并不会自动变成能力，如果没有进入学习闭环，它很多时候更像一种成本。

真正重要的是怎么把生产中的错误、人工判断和业务反馈重新变成训练信号，再通过持续后训练把它更新到模型里。只有这个过程持续发生，今天积累的数据才会变成明天的能力。

甲子光年：AI行业每几个月就会出现一个新热词，你如何判断哪些是真变化，哪些是炒作？

Kevin Ding：我不会先判断一个词是不是时髦，而会问它有没有改变能力的来源。如果一个方法只是重新包装调用流程，没有改变Agent如何从数据和反馈中获得新能力，它的影响可能更短期。如果它让训练、评估、Reward、更新或协作变得更高效，就可能是更底层的技术变化。

所以遇到一个新热词，我会把它拉回一个很朴素的问题：它有没有让Agent把今天的经验变成明天的能力？如果没有，它可能是一个好用的工具，但未必代表一次范式变化。

3.为什么Base Model越强，后训练反而越重要？

甲子光年：开始做产品以后，你们最先发现什么和原来的设想不一样？

Kevin Ding：去年我们的产品只定义到 Studio这一层。底层面向全栈开发者和大规模训练需求，Studio让Product Manager也能用可视化方式编排训练流程。当时我认为，开放这些能力已经足够。

实际执行以后我才发现，有需求的人并不全是算法工程师。我们不可能要求所有客户先理解预训练、后训练和RL，所以后来又增加了AutoRL，把RL里复杂的环节尽量自动化。对客户来说，他们真正关心的是部署后的业务表现，以及随着生产数据回流，效果能不能持续提高。我们的宏观判断没有变，只是产品接入需要变得更简单。

甲子光年：创业和融资过程中，大家最常质疑这套模式的是什么？

Kevin Ding：最常见的质疑是持续学习到底适不适合做成Service，需要多少人工投入，最后能不能规模化。所以我们很早就在验证这套能力能不能以标准化方式交付。如果进入不同客户和场景以后，交付方式仍然高度依赖人工，它最终还是项目制。

到现在，我们已经在Benchmark和实际商业场景里把基本链路跑通了。对我们来说，问题已经逐渐从这件事能不能成立，变成了进入更多场景以后，它还能不能保持同样的扩展效率。

甲子光年：进入不同产业以后，哪些能力可以直接复用，哪些还是要针对行业重新解决？

Kevin Ding：底层的训练能力是可以复用的。比如Infra，分布式训练首先要足够稳定，才能持续把训练结果交付出来。这些工程能力不应该进入一个新行业就从头搭一遍。

真正因行业而异的是Reward。Coding和数学里天然有一些任务更容易构造清晰、可验证的奖励信号，但企业里的很多任务没有唯一答案，最后要看业务到底认为什么结果是好的，这些目标之间甚至可能互相冲突。所以跨行业真正难的，是怎么把业务判断翻译成Reward。

过去这件事很依赖算法工程师在具体行业里的经验。我们现在在做Reward Agent和Reward Model，希望用AI辅助生成Reward和评估规则，再由业务专家校验，逐渐降低其中重复性的人工投入。行业之间当然有差异，但覆盖的场景越多，能够抽象和复用的Reward能力也会越来越多。

甲子光年：客户用起来以后，怎么判断这种持续训练到底有没有产生价值？

Kevin Ding：拿3C质检来说，最直接看两个指标：误报率和漏检率。误报率太高，产线上就必须保留大量人工复核；漏检则会直接带来下游客户风险。

接入持续训练后，可以先用历史数据启动，再让新的生产数据不断回流。目前我们看到的效果是，误报率降低了60%，复核人力节省约三分之二，漏检率压到4%以内。随着产线继续运行、数据继续回来，这些指标还有进一步改善的空间。

我觉得重要的不是某一次把模型调到了多高，而是模型能不能跟着生产环境一起变化，长期把这些业务指标往前推。传统视觉质检已经做了很多年，很多方法接近原来的天花板，大模型和持续训练结合以后，相当于重新打开了提升空间。

甲子光年：除了让模型在一个任务上越做越好，RL还能解决哪些问题？

Kevin Ding：一个很现实的问题就是成本。我们自己Vibe Coding会使用各类Coding Agent及Coding Model，为了持续追求代码质量而构建的自动化测试loop里，Token消耗也会指数级增长。当时我们发现这个成本不能这么持续下去，所以开始研究大小模型协同，后来做出了PyroDash。

它的思路其实很简单：先让一个比较小的Worker Model处理任务，只有它判断自己解决不了的时候，再发出Handoff信号，让更强的模型接手。我们训练的一个重点，就是让小模型学会什么时候自己做、什么时候应该求助大模型。

训练时Reward同时考虑正确性和成本，通过调整成本权重，可以得到不同的协作方式。我们在五项数学推理测试里验证，高精度模式下，平均准确率比纯大模型高6.36个百分点，同时成本降低20.4%；低成本模式下，推理成本可以降低96.4%。

所以RL不只是用来提升一个模型本身的能力，也可以用来训练整个系统怎么分工，在效果和成本之间找到更合适的平衡。

甲子光年：如果Base Model持续进化，后训练的需求会不会逐渐消失？

Kevin Ding：我认为不会。Base Model越强，后训练的起点也会越高，但企业自己的业务流程、数据和判断，并不会随着Base Model升级自动进入模型。

生产环境还有一个很现实的约束：效果、成本和隐私很难简单靠调用更大的模型同时解决。有些任务适合直接调用Base Model，有些更适合在本地小模型上完成，还有一些需要两者协作。Base Model越强，反而会出现更多路由、协同和成本优化的RL需求。

所以两者不是替代关系。Base Model解决的是入场资格，后训练决定它能不能留在场上。基础模型越强，Agent进入真实业务的起点越高；但能不能长期适应具体业务，还是要靠后训练。

4.商业化不是吃掉上下游，而是守住中立

甲子光年：大厂和基础模型公司也可以做后训练，为什么还需要一家独立公司？

Kevin Ding：不是大厂做不了RL，而是大家的出发点不一样。基础模型公司的主航道是继续把Base Model做强，我们更关注模型进入真实生产以后，怎么把训练和持续学习做成一项可以服务不同场景的Service。

这决定了我们的产业位置必须足够中立。我们不会依附于某一个Base Model，也不会自己下场做具体应用，而是希望在中间提供持续学习能力。基础模型公司造大脑，应用公司定义工作，Pyromind让每个大脑在工作中持续变聪明。

甲子光年：你一直强调中立。对客户来说，中立具体意味着什么？

Kevin Ding：企业的技术环境其实很复杂，也一直在变化。同一家公司里，有的业务可能直接调用外部大模型，有的因为数据安全要做私有化部署，端侧又可能运行自己的小模型。

所以客户真正关心的不是再选一次技术阵营，而是技术栈变化以后，之前积累的东西还在不在。换一个Base Model以后，过去积累的任务轨迹、Reward、评估标准和训练流程能否最大程度延续，而不是全部从零开始。

如果每次模型升级、迁云或者更换框架，都要重新开始，那企业过去积累的业务判断就没有真正成为资产。我们理解的中立，最后还是要体现在这些东西能够跨模型、跨环境继续沉淀。企业可以给Agent换“大脑”，但不应该让它失去业务层面的积累。

甲子光年：这样的定位会不会反过来限制商业化？什么样的生意你们会主动不做？

Kevin Ding：商业化很重要，收入是市场给公司最真实的反馈。我们的目标是把RLaaS做成通用的横向基础设施，所以判断一笔生意值不值得做，不只是看它今天能带来多少收入，同时要看看做完以后公司留下了什么。

有些垂直应用或者大型定制项目短期很赚钱，但如果项目结束以后只留下几个人几个月的定制代码，下一家客户还要重新做一遍，那么收入虽然增加了，公司却没有因此变得更可扩展，最后仍然会走向项目制服务。

我们不是拒绝定制，而是要求定制产生复利。但每完成一次交付，我们都希望把其中的共性沉淀成Reward方法、数据连接器、训练节点或评估流程，让下一次交付更快、更稳定，也更少依赖人工。换句话说，定制应该成为产品化的输入，而不应该成为商业模式的终点。

这也是为什么我们会主动划边界。只有足够中立，横向宽度的收益才会远大于吃掉一个纵向市场。我们不会用长期主义作为不做收入的理由，也不会为了短期收入把公司重新拉回项目制。最好的商业化，是今天创造现金流，明天还能留下可复用的能力。

甲子光年：国内外现在有哪些团队在做类似的事情？你怎么看这个市场的竞争？

Kevin Ding：我觉得竞争出现是一件好事，它说明这个问题正在从少数团队的判断变成一个真正的市场。过去一年，Scale AI、OpenPipe，包括Thinking Machines Lab的Tinker，都在往Agent Infra、Post-training和训练能力这个方向靠，各家的产品形态也在不断调整。

这背后其实说明大家对AI落地的理解正在接近：真正缺的不只是某一个更强的模型或者应用，还包括让模型在真实场景里持续获得能力的基础设施。大家从不同位置进入，说明Post-training正在成为Agent基础设施中越来越明确的一层。

所以我们更关注的不是谁和谁看起来相似，而是谁能率先把持续学习从一次实验变成可重复交付的生产系统。这个市场目前还没有被完全定义，产品标准、交付方式和价值衡量都在形成。引领一个市场，不是最早说出一个概念，而是率先把它变成客户可以长期使用的产品。

更多团队进入不会改变我们的方向，反而会加速客户教育和产业分工。对Pyromind来说，接下来要做的是继续用产品和真实交付证明：Agent持续学习不是一个附加功能，而会成为未来Agent的默认基础设施。

甲子光年：和美国做类似事情的公司相比，你觉得Pyromind最大的不同是什么？

Kevin Ding：差异主要还是产品设计、工程底座和Reward。美国公司更常见的路径，是先找到一个比较好的切入点，再逐步向外扩展。比如Scale AI现在已经在Agent Evals之外提供Post-training能力，OpenPipe被CoreWeave收购以后，可能也会更接近GPU云里的PaaS产品。

我们的思路相反一些，是先把后训练的通用工程底座搭起来，再根据需求形成点状产品。所以我们从一开始就比较重视分布式训练和跨场景支撑能力。

另外一个差异是Reward。前面提到，我们一直在投入Generated Reward和Reward Model，希望降低Reward对人工经验的依赖。从中期看，Reward Synthesis也是我们比较明确的一条研究方向。

甲子光年：再往后看，Pyromind的能力边界会扩到哪里？做到什么程度，你会觉得这件事真的做成了？

Kevin Ding：我们会扩展能力深度和使用范围，但不会越过战略边界。扩展的是持续学习的适用范围，主线还是让训练更容易，让Agent持续学习。

训练可以变得更自动，也可以从软件域Agent延伸到端侧和机器人，但这不意味着我们要去做一家机器人公司。

所谓的终局不是完成一次不错的RL训练，或者服务几个头部客户。我们希望Pyromind可以和大量Agent无感连接，自动获取任务轨迹，找到错误和改进方向，生成Reward和训练管线，再完成训练、评估和更新，持续带来可以验证的能力提升。

未来一个人可能同时管理几十个、上百个Agent，不可能给每个Agent都配一个算法工程师。只有当持续学习本身变成可自动运行的基础设施，Agent经济才能规模化。

做到那个时候，Pyromind可能反而不会经常被终端用户看到。就像今天大家不会每天讨论云计算背后的调度系统，但默认应用应该稳定运行和扩容。我们希望持续学习最终也变成一种默认能力：Agent上线后理应自动吸收反馈、经过验证再更新，并且越用越好。Pyromind想成为支撑这件事发生的那一层。

甲子光年：几年后回头看，你最希望今天关于Agent的哪个判断被证明是对的？

Kevin Ding：我希望是一个很具体的变化：几年后，企业选择Agent时，不会只比较它今天的Benchmark或者演示成功率，而会追问：它在过去30天里变聪明了多少？

模型会折旧，数据会过期，能持续学习的系统才会持续增值。

（封面图来源：火思动力）