01
Agent 数据引擎
Agent 级数据集与 Benchmark
针对 Computer Use、编程、研究和专业工作流 Agent 精细策划的高信号训练与评测数据。每一条样本都经过设计、验证、可追溯。
Agent 数据引擎
面向下一代 AI Agent 的数据基础设施。
我们构建 Benchmark、数据集与长时程环境，让前沿 Agent 能够在真实世界中学习、推理并行动。
Agent 数据范式的演进
从 Chatbot 到 Persistent Agent，AI 系统所需的数据基础设施正在发生根本性变化。
1Chatbot 时代
单轮 Prompt → Response
数据范式
Instruction Tuning 配对数据与 RLHF 偏好数据。由人工标注师策划的静态 (prompt, response) 样本。
2Single-Session Agent
单次查询、单一环境、单次会话
数据范式
沙箱环境中的 Agent 轨迹数据。在单个有界会话内的 RL rollout、工具调用 trace 和奖励信号。
3Persistent Agent
持续运行、不断进化的 Agent
数据范式
连续多天的交互数据流，涵盖不断变化的环境、持续累积的上下文，以及自我改进的 Agent 行为。
- 跨越数百步骤的长时程任务
- 多天、多阶段的工作流
- 感知并适应环境变化
- 用户建模以实现主动行动
- 从经验中持续自我进化
Evolvent 的聚焦方向
我们在做什么
三个方向，同一使命：为 Agent 提供其进化所需的数据与环境。
02
Proactive Agent
主动行动的 Agent
我们研究并训练 Proactive Agent——不等待指令，而是预判用户意图、感知上下文、主动采取行动的系统。
03
长时程 RL 环境
面向多步推理的真实环境
Desktop 虚拟机、MCP 服务器、端到端的专业工作流。用于训练和评测跨越数百步骤、长达数小时的真实任务。