整理 ｜梦依丹
出品 | CSDN（ID：CSDNnews）
0.2 元。
一句自然语言，生成一个完整可运行的 AI 应用，Token 成本仅约 2 毛钱。
这个数字足够反常识，也很难不让人继续追问：究竟是怎么做到的？
给出这个案例的人叫郑耀威。
你可能还不熟悉这个名字，但如果做过大模型微调，大概率听说过他参与打造的开源项目——LlamaFactory。
在 GitHub 获得超过 7 万 Star 的大模型微调框架，被全球开发者广泛用于大模型的高效微调与部署，相关研究成果也已在阿里云、英伟达等企业场景中得到应用。
郑耀威本人是 PrismShadow（千影光流）联合创始人兼 CTO、北京航空航天大学计算机学院博士研究生。
而现在，他又把目光投向了一个更难的问题：Agent 做出来之后，怎么让它自己变强？
围绕这个问题，郑耀威和团队打造了一套新的开源智能体自进化引擎——PenguinHarness。
11 月 20—21 日，由 CSDN 与奇点智能研究院联合举办的「2026 奇点智能技术大会」将在北京万达文华酒店召开。届时，郑耀威将带来「低成本、高收益的自进化 Agent 闭环构建实践：从 LlamaFactory 到 PenguinHarness 的技术演进」的主题分享。
从模型微调，到 Agent 自进化。
这一次，他想讨论的已经不只是“怎么把 Agent 搭出来”，而是：
怎样让一个 Agent 在真实业务中越用越强？
从大模型微调走向 Agent 自进化
郑耀威是北京航空航天大学计算机学院博士研究生，也是 PrismShadow（千影光流）联合创始人兼 CTO。
他在 ACL、CVPR、AAAI 等顶级会议和期刊发表论文 10 余篇，担任 AAAI、EMNLP 等会议审稿人，曾获北航榜样、昇腾生态开源卓越贡献奖等荣誉，也曾多次受邀在人工智能计算大会、阿里云栖大会等行业峰会分享。
但如果一定要从这些经历中挑一个开发者最熟悉的标签，大概还是：LlamaFactory 作者
几年前，大模型微调还是一件门槛不低的事情。
环境配置、训练参数、数据处理、显存管理、模型适配……任意一个环节都可能让开发者花费大量时间。
LlamaFactory 把复杂的大模型微调流程尽可能封装进统一框架，并提供 CLI、Web UI 等方式，显著降低大模型微调和实验的使用门槛。
如今，这个项目已经获得超过 7 万 GitHub Star。
而完成这一切时，郑耀威还是一名博士研究生。
Agent 搭起来容易，变强难。
LlamaFactory 解决的是：模型怎么通过训练和微调变得更好？
但到了 Agent 时代，问题开始发生变化。LangChain、LangGraph 等框架已经显著降低了 Agent 原型开发的门槛。
接模型、接工具、配 Prompt、做 Workflow、写 Skill。一个“能跑起来”的 Agent，已经越来越容易实现。
但真正的问题往往发生在上线以后。
它会自己成长吗？对很多 Agent 系统而言，上线并不意味着能力会自然增长。
如果缺少数据沉淀、自动评估和持续优化机制，一个 Agent 运行三个月之后，它的核心能力可能和上线第一天并没有本质区别。
甚至还可能出现另一种情况：
业务不断增加，Prompt 越写越长，临时规则越堆越多，Token 成本持续上涨，但 Agent 并没有真正学会什么。
如果你也正在做 Agent，可以问自己三个问题：
Agent 上周犯过的错误，这周还会不会再犯？
新业务接进来以后，需要工程师重新修改 Prompt 和流程，还是 Agent 能利用已有经验进行适应？
你能不能明确说出，它比一个月之前“强了多少”？
如果这些问题很难回答，那么这个 Agent 可能还停留在：“能用”。
距离真正的：“越用越强”，还有一段距离。
PenguinHarness：让 Agent 从“自动构建”走向“自动优化”
这正是郑耀威此次演讲准备重点讨论的问题。
过去半年，团队围绕智能体自进化打造了 PenguinHarness。
如果说传统 Agent 框架更关注：Build Agent。
那么 PenguinHarness 希望继续往前走一步：Optimize Agent。
它的核心包括一套面向 Agent 的 SDK、尽可能精简的工具体系和 System Prompt 设计，并支持大量模型统一接入，让开发者可以根据不同业务、成本和数据安全要求灵活选择模型。
更关键的是：
它试图让“优化 Agent”这件事本身也形成自动化闭环。
过去的方式可能是：
Agent 出错 → 人工看日志 → 找问题 → 改 Prompt → 再测试
而在自进化体系中，这个流程开始变成：
任务数据 → 自动评估 → 问题定位 → Harness 迭代 → 新版本验证
也就是说：
Agent 不仅在执行任务，“如何改进 Agent”本身，也开始成为系统的一项能力。
一个 Agent 的“进化闭环”，到底怎么搭？自进化最容易产生的误解，是把它简单理解成：“让模型反思一下，然后重新回答。”
但真正进入工程环境后，自进化远比“Reflection”复杂。一个 Agent 的能力来自很多部分：
模型、Prompt、Tool、Skill、Memory、Workflow、上下文以及 Harness。
因此，真正的自进化首先要解决两个问题：
第一，怎样稳定地让 Agent 变强
第二，怎样证明它真的变强了？
郑耀威团队给出的方案，是建立一条完整的 Evolution Loop：
在这一过程中，真实任务产生的数据可以转化为评估和优化依据。
评估系统判断：这次任务到底哪里做得不好？
是 Prompt 的问题？
Skill 的问题？
工具选择的问题？
还是执行策略的问题？
然后再根据结果进行下一轮迭代。最终形成一个不断循环的：Agent Evolution Loop。
比“让 Agent 进化”更难的是：如何证明它真的进化了？这是整个 Agent 自进化问题里非常关键、却经常被忽略的一环。
今天已经有很多 Agent Benchmark。但大部分 Benchmark 回答的是：
这个 Agent 现在有多强？
而真正做自进化时，需要回答的问题是：
给它经验、数据和反馈之后，它究竟提升了多少？
为此，郑耀威团队进一步推出：GDPevo Benchmark——它专门面向具有经济价值的实际业务任务，用于评估 Agent 的自进化能力。
GDPevo Benchmark 通过 120 个任务、12 个业务场景等方式，尝试系统度量 Agent 在经历数据、反馈和迭代之后究竟提升了多少。
在团队目前公布的 PenguinHarness 自进化实践中，部分实验实现了：
平均准确率提升 18.8%
Token 成本降低 7.5%
同时，在相关演示中，团队还展示了使用一句自然语言生成完整 AI 应用、Token 成本约 0.2 元的案例。
这背后真正值得关注的，并不是某一个具体数字，而是一个正在发生的变化：
Agent 的竞争，可能正在从“第一次谁做得更好”，走向“运行一千次之后，谁学得更多”。
而这也是郑耀威此次现场分享最值得期待的部分。
从一个 Agent，看见整个 AI 技术栈正在变化
郑耀威的这场分享，只是 2026 奇点智能技术大会众多技术议题中的一个切面。
2026 奇点智能技术大会将于 11 月 20-21 日在北京万达文华酒店举行。
大会将聚焦大模型、Agent、AI 原生软件研发、AI Infra、多模态、世界模型、具身智能、AI Coding 与企业级 AI 应用等方向，规划 18 大前沿专题，从模型能力一路讨论到工程体系与真实业务落地。
目前已经确认的嘉宾阵容，也覆盖了 AI 技术演进的多个关键方向。
其中包括：
Łukasz Kaiser OpenAI 资深研究科学家、Transformer 八子之一
段楠 京东集团副总裁、京东探索研究院副院长
李宇轩 面壁智能技术合伙人、智能进化首席科学家
张俊林 新浪微博首席科学家及 AI 研发部负责人
成宇 昆仑万维集团首席科学家、南洋理工大学讲席副教授
董汉德 腾讯 WorkBuddy 模型研发负责人
张铂 上海人工智能实验室青年科学家、智能体中心负责人
俞扬 南京大学人工智能学院副院长、教授
郎玉川 昆仑行机器人具身算法负责人、前理想汽车资深算法专家
李宇轩 面壁智能技术合伙人、智能进化首席科学家
更多专家及议题，欢迎访问「2026 奇点智能技术大会」官网：https://ml-summit.org/
当 AI 从模型走向系统、从 Demo 走向生产，我们到底需要怎样的新技术栈？
对于正在做 Agent、AI Coding、企业级 AI 应用的开发者来说，郑耀威这场演讲尤其值得关注。
你将现场看到：
Agent 自进化闭环怎么搭
GDPevo 如何度量 Agent 进化能力
怎样通过数据、评估和 Harness 实现自动迭代
如何兼顾效果、Token 成本与企业数据安全
以及 PenguinHarness 如何让 Agent 从“自动构建”进一步走向“自动优化”。
最后，我们整理了一套大会资料包，Łukasz Kaiser 历届演讲视频与 PPT、Agent 实战训练营。
Agent 实战训练营录播课包含Agent 设计模式、微信 AI 搜索实战、Agentic AI Infra，六章内容，讲的全是"Agent 怎么从 Demo 跑上产线"
「立即领取」
购票热线：400-821-5876
购票咨询：service@boolan.com
企业合作：partner@boolan.com
演讲申请：hemiao@csdn.net
媒体联系：media@boolan.com
热门跟贴