让 AI Agent 自己造工具：Yunjue-Agent 的 OpenClaw 实现

工具不是预设的，而是在解决任务的过程中生长出来的。

---

什么是 Yunjue-Agent？

Yunjue-Agent 是云玦科技于 2026 年 1 月开源的 AI Agent 系统，曾在 HLE（Humanity's Last Exam）基准排行榜上位列第 2。它的核心创新在于一个听起来简单但极具颠覆性的理念——原位自进化（In-Situ Self-Evolving）。

传统 Agent 框架里，工具是静态的：开发者提前写好一组函数，Agent 只能在这些预设工具中选择使用。遇到新问题？抱歉，没有对应的工具，Agent 只能靠自身参数空间里有限的知识硬撑。

Yunjue-Agent 打破了这个限制。它在解决任务的过程中，自动生成、测试、修复并积累 Python 工具。工具的成败是唯一的反馈信号——执行成功就保留，失败就修复，修不好就放弃。不需要人工标注，不需要额外的训练数据。

成功的工具会被保存到公共工具库，跨任务复用。Agent 的能力不是固定的，而是随着使用次数持续增长。

四节点循环架构

Yunjue-Agent 的实现基于 LangGraph 的四节点循环图：

START → Manager → Tool Developer → Executor → Manager（循环评判）→ Integrator → END

几个关键机制值得注意：

• Manager 每轮必经 Tool Developer——即使不需要新工具，Tool Developer 也会判断后透传或按需生成
• Executor 完成后固定返回 Manager——由 Manager 决定是进入下一轮还是输出结果
• 工具修复发生在 Executor 内部——不是外部节点，而是 Executor 的 ``` enhance_tools

- **工具分私有和公共两个目录**——单次任务的工具在 ```
private/
```，成功后晋升到 ```
public/
``` 跨任务复用

这个设计的优雅之处在于：工具的进化完全是涌现的。Agent 不知道自己在"造工具"，它只是在解决问题——而工具是解决问题的副产品。

---

## OpenClaw 适配：把论文变成日常可用的 Skill

原版 Yunjue-Agent 是一个完整的 Python 工程，包含 Web Demo、CLI、评测脚本、工具进化（cluster/merge）等模块。但我们的目标不同：**把它浓缩成一个 OpenClaw Skill，让你的日常 Agent 工作流立刻拥有深度推理和工具自进化能力。**

适配过程中遇到了几个核心的架构差异，每一个都值得展开讲。

### 差异 1：内存对象 vs 文件系统

**原版：** Tool Developer 是独立的图节点，生成工具后直接把 LangChain Tool 对象 bind 到 Executor 的 LLM 上——这是纯内存操作，零拷贝。

**问题：** OpenClaw 子 Agent 之间只能通过文本消息通信，无法传递内存对象。

**解法：** 把 Tool Developer 的逻辑合并进主 Agent 的派发前准备阶段。主 Agent 生成工具文件后，将工具路径和调用方式写入 ```
sessions_spawn
``` 的 task 文本，deep-thinker 通过 ```
bash
``` 工具直接执行这些脚本。

**文件系统是两个 Agent 之间共享状态的媒介。** 这个设计选择看似退步，实际上带来了额外的好处——工具是持久化的 Python 文件，可以被检查、被版本控制、被人类直接阅读。

### 差异 2：解耦 Coding Agent

**原版：** 硬编码调用 ```
codex exec --dangerously-bypass-approvals-and-sandbox
```，无法替换。

**解法：** 通过 ```
coding-agent.yaml
``` 配置文件切换，支持 Claude Code、Codex、OpenCode、Pi 四种 coding agent，以及 auto 模式自动检测。

```yaml
# ~/.openclaw/workspace/agents/deep-thinker/coding-agent.yaml
agent: auto   # claude | codex | opencode | pi | auto

Coding agent 在两处被调用：主 Agent 生成新工具时，以及 deep-thinker 修复失败工具时。两处共享同一份配置，行为一致。

差异 3：多 Agent 循环替代单进程 LangGraph

原版： 循环在单进程 LangGraph 图内完成，状态在内存中流转。

解法： 主 Agent 通过多次 sessions_spawn 实现重试循环。每轮将上一轮的 ``` failure_report

这个设计天然支持分布式执行——主 Agent 和 deep-thinker 可以运行在不同的机器上。

### 核心工作流

简化后的 Skill 只保留两个角色的循环迭代：

主 Agent（Manager + Tool Developer + Integrator） │ ├── 分析任务，扫描工具目录 ├── 按需调 coding agent 生成新工具 ├── 构建工具清单，sessions_spawn 派发 │ ▼ deep-thinker 子 Agent（Executor） │ ├── ReAct 循环：THINK → ACT → OBSERVE ├── 失败时调 coding agent 自行修复 ├── 成功后晋升工具到 public/ │ ▼ 主 Agent 评判 → 合格：汇总回复 / 不合格：携带 failure_report 重走一轮

---

## 安装

将 ```
yunjue.skill
``` 文件发给主 Agent，或通过 OpenClaw CLI 安装：

```bash
openclaw skills install ~/.claude/skills/yunjue.skill

安装时会自动执行以下初始化操作：

• 创建 ``` ~/.openclaw/workspace/agents/deep-thinker/

- 在主 AGENTS.md 中追加 ```
deep-thinker
``` 的路由规则

安装后无需手动操作。向主 Agent 发送需要深度推理的任务（如"深度分析"、"复杂推理"、"自动编写工具"），它会自动识别并路由。

---

## 开源与贡献

这个 Skill 是一个开源项目，欢迎任何人来修改和改进。

**GitHub 地址：** [https://github.com/maquedexiju/yunjue-openclaw-skill](https://github.com/maquedexiju/yunjue-openclaw-skill)

目前可以改进的方向包括但不限于：

- 支持更多 coding agent 的适配
- 优化工具晋升的判断标准
- 完善 failure_report 的结构化格式
- 添加更多开箱即用的公共工具
- 适配其他 Agent 框架（不局限于 OpenClaw）

如果你对 Agent 的工具自进化感兴趣，欢迎来 issue 区讨论，或者直接提 PR。