自进化社媒Agent！浙大x北大：从多模态任务编排到反馈驱动

近日，浙江大学REAL Lab与北京大学OpenDCAI Lab联合发布并开源的自进化社交媒体Agent系统Easel引发行业关注，该系统首次将账号画像、多模态技能库、平台交互规则与反馈分析模块深度打通，构建出覆盖选题发现、内容策划、多模态制作、多平台发布、效果复盘的完整社媒内容生产工作流，为AI Agent在真实社媒场景的持续进化提供了可落地的系统基础。

浙大北大联合开源自进化社媒Agent系统Easel

Easel的研究切入点是重新定义内容创作的交互逻辑：将原本离散的内容生产环节组织为能够积累上下文与经验的连续过程，Agent在任务执行中发现问题，再将可复用的经验沉淀到后续任务中。当前版本的持续适应能力主要通过外部记忆与上下文更新实现，为探索Self-Evolving（自进化）社媒Agent提供了具体的系统基础。
作为垂直聚焦社媒场景的自进化Agent系统，Easel打通了从账号定位理解到受众需求匹配的全链路能力，支持创作者围绕长期账号目标完成连续内容生产，而非单次内容的零散生成。

双轨反馈机制精准匹配社媒生产需求

真实社交媒体是带有长期约束的交互环境，内容生产包含连续的决策依赖：选题影响脚本方向，脚本决定素材制作逻辑，平台表达规则影响受众理解，发布后的互动数据又为后续创作提供反馈，单次内容生成的质量仅能反映其中一个局部环节。
针对这一特性，Easel设计了双轨反馈机制：一是任务内反馈，直接作用于当前产物的修正，由模型负责内容理解、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。例如图文内容需要检查布局与可读性，视频需要核对画面、声音和字幕，若生成对白存在偏差，可根据检查结果选择替换配音或重新生成，这类局部反馈帮助Agent在当前任务中发现错误，并将修复动作作用于相关环节。
二是跨任务反馈，来自用户修订和发布后的真实表现数据：哪些内容解释反复造成受众理解障碍，哪些制作方法被用户持续认可，哪些选题方向值得继续展开，都会被沉淀为后续任务的参考依据。两类反馈承担不同职责：前者支持当前任务快速完成，后者为长期行为调整提供依据，二者连接后，可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逐步减少。

跨平台适配能力检验经验泛化有效性

同一内容进入小红书、抖音、知乎和B站等不同平台时，需要调整信息密度、叙事节奏与媒体形式才能获得更好的传播效果。Easel支持围绕共同原始材料生成适配不同平台的内容版本，并在发布前完成规格检查与合规校验。
从自进化能力的评估维度来看，对社媒Agent的考察不能仅看系统保存了多少经验，还需要检验：经验是否有实际依据、是否适用于新任务、是否能减少用户的纠正次数、在环境变化后能否被合理修订。Easel的多平台适配能力恰好为经验泛化边界的验证提供了场景，例如以论文解读为例，Agent可先提炼研究问题、方法与关键证据，再组织为图文、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模态的表达，减少各模态独立理解原文带来的信息偏移。

全链路开放生态推动自进化研究共研

目前Easel已全面开放技能体系、账号画像结构、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，为不同角色的参与提供基础：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，例如验证长期记忆是否能改善个性化一致性、结构化中间产物是否能减少信息偏移、执行检查是否能降低重复错误、历史经验是否能帮助Agent应对新的任务条件。
值得注意的是，当前行业内的自进化Agent探索已形成多条技术路线，例如CowAgent开源的五层自进化机制（基础记忆和知识维护、上下文智能总结、会话后主动复盘、梦境记忆整理、源码自更新）聚焦通用助理场景的持续成长，而Easel则垂直聚焦社媒场景的多模态任务编排，二者形成差异化互补。Easel项目主页为zju-real.github.io/Easel，代码仓库地址为github.com/ZJU-REAL/Easel，目前该系统已提供经验积累与反馈利用的基础框架，而更可靠的经验筛选、适用条件建模和技能自动改进，仍需行业进一步研究与验证。