Safactory: A Scalable Agent Factory for Trustworthy Autonomous Intelligence

📄 arXiv: 2605.06230v1 📥 PDF

作者: Xinquan Chen, Zhenyun Yin, Shan He, Bin Huang, Shanzhe Lei, Pengcheng Shi, Kun Cai, Bei Chen, Bangwei Liu, Zeyu Kang, Chao Huang, Yang Zhang, Wenjie Li, Ruijun Ge, Yajie Wang, Tianshun Fang, Tianyang Xu, Yiwen Cong, Meng Jin, Gaolei Li, Xuansheng Wu, Linhan Liu, Zijing He, An Li, Yan Teng, Xin Tan, ChaoChao Lu, Ji He, Jie Li, Chunfeng Song, Jinya Xu, Fan Song, Shujie Wang, Jianmin Qian, Jie Hou, Xuhong Wang, Yingchun Wang, Hui Wang, Xia Hu

分类: cs.AI, cs.DC

发布日期: 2026-05-07

备注: 50 pages, 21 figures

💡 一句话要点

Safactory：用于可信自主智能的可扩展Agent工厂

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 自主Agent 强化学习 仿真平台 数据平台 策略蒸馏 可信智能 Agent进化

📋 核心要点

  1. 现有Agent基础设施在评估、数据管理和Agent进化方面分散，阻碍了风险发现和模型持续改进。
  2. Safactory通过集成并行仿真、可信数据和自主进化三大平台，构建统一的Agent进化流程。
  3. Safactory是首个提出统一进化流程的框架，旨在推动下一代可信自主智能的发展。

📝 摘要（中文）

随着大型模型从对话助手演变为自主Agent，长期决策、工具使用和真实环境交互方面的挑战日益突出。现有的Agent基础设施在评估、数据管理和Agent进化方面仍然分散，难以系统地发现风险并在持续的闭环中改进模型。本报告提出了 extbf{Safactory}，一个用于可信自主智能的可扩展Agent工厂。Safactory集成了三个紧密耦合的平台：用于轨迹生成的 extbf{并行仿真平台}、用于轨迹存储和经验提取的 extbf{可信数据平台}，以及用于异步强化学习和在线策略蒸馏的 extbf{自主进化平台}。据我们所知，Safactory是第一个为下一代可信自主智能提出统一进化流程的框架。

🔬 方法详解

问题定义：论文旨在解决现有Agent基础设施在评估、数据管理和Agent进化方面存在的碎片化问题。这种碎片化使得系统性地发现Agent的风险，以及在闭环中持续改进模型变得困难。现有的方法通常侧重于独立的Agent组件，缺乏一个统一的框架来支持Agent的端到端进化。

核心思路：Safactory的核心思路是构建一个集成的Agent工厂，通过并行仿真生成轨迹数据，利用可信数据平台存储和提取经验，并通过自主进化平台进行异步强化学习和在线策略蒸馏。这种集成化的设计旨在创建一个闭环的Agent进化流程，从而实现可信自主智能。

技术框架：Safactory包含三个主要平台： 1. 并行仿真平台：用于生成Agent在各种环境中的轨迹数据，支持大规模并行仿真，加速数据收集。 2. 可信数据平台：用于存储和管理轨迹数据，并从中提取有用的经验，例如奖励信号、状态转移等。该平台还负责数据质量的监控和验证，确保数据的可信度。 3. 自主进化平台：用于Agent的训练和进化，采用异步强化学习和在线策略蒸馏等技术，不断提升Agent的性能和鲁棒性。

关键创新：Safactory的关键创新在于提出了一个统一的Agent进化流程，将仿真、数据管理和Agent训练紧密集成在一起。这种集成化的设计使得Agent可以从大量的仿真数据中学习，并不断地进行自我改进。此外，Safactory还强调了数据可信度的重要性，通过数据质量监控和验证来确保Agent学习到的知识是可靠的。

关键设计：具体的技术细节在论文中没有详细展开，例如并行仿真平台的具体实现方式、可信数据平台的数据质量监控指标、以及自主进化平台所使用的强化学习算法和策略蒸馏方法等。这些细节需要参考论文的后续章节或相关文献。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

由于论文是框架性的介绍，没有提供具体的实验结果。但是，Safactory作为一个统一的Agent进化平台，其潜在的性能提升来自于大规模并行仿真带来的数据量增加，以及可信数据平台对数据质量的保障。未来的工作可以关注在具体应用场景下，Safactory相对于传统方法的性能提升。

🎯 应用场景

Safactory具有广泛的应用前景，例如自动驾驶、机器人控制、智能游戏等领域。通过Safactory，可以快速构建和训练高性能、高可靠性的自主Agent，从而提升这些领域的智能化水平。此外，Safactory还可以用于Agent的风险评估和安全验证，确保Agent在实际应用中的安全性和可靠性。

📄 摘要（原文）

As large models evolve from conversational assistants into autonomous agents, challenges increasingly arise from long-horizon decision making, tool use, and real environment interaction. Existing agenticinfrastructure remain fragmented across evaluation, data management, and agent evolution, making it difficult to discover risks systematically and improve models in a continuous closed loop. In this report, we present \textbf{Safactory}, a scalable agent factory for trustworthy autonomous intelligence. Safactory integrates three tightly coupled platforms: a \textbf{Parallel Simulation Platform} for trajectory generation, a \textbf{Trustworthy Data Platform} for trajectory storage and experience extraction, and an \textbf{Autonomous Evolution Platform} for asynchronous reinforcement learning and on-policy distillation. As far as we know, Safactory is the first framework to propose a unified evolutionary pipeline for next-generation trustworthy autonomous intelligence.