在人工智能技术快速发展的背景下，大模型生成文案、图片和视频的能力已得到广泛应用。然而，如何让智能体（Agent）在执行任务过程中积累经验，并根据交互反馈持续优化后续行为，成为新的研究焦点。社交媒体平台因其复杂的交互环境，为这一课题提供了理想的实验场景。
浙江大学与北京大学联合研发的开源项目Easel，通过构建覆盖内容创作全流程的智能系统，探索智能体在真实社交场景中的自适应能力。该系统将账号定位分析、多模态技能调用、平台交互反馈等环节有机整合，形成从选题策划到效果复盘的完整工作流。项目代码已在开源平台公开，供开发者与研究机构共同完善。
研究团队指出，社交媒体内容生产具有显著的连续决策特征：选题方向影响脚本设计，脚本结构决定素材制作方式，发布后的用户互动又为后续创作提供反馈。这种动态环境要求智能体既要保持对创作者核心目标的稳定理解，又要根据新证据灵活调整执行策略。例如，同一科技话题对专业受众和普通读者的呈现方式需要截然不同，而热点话题的时效性又要求制作流程具备快速响应能力。
为实现持续适应，Easel系统设计了六维账号画像模型，涵盖定位、风格、受众特征、平台规则、偏好边界和长期记忆等维度。当科技类账号明确提出"简化专业术语但保留方法细节"的要求后，系统会在后续任务中自动调用相关上下文，避免每次重新分析账号特性。长期记忆模块则负责存储可复用的创作经验，经创作者确认后转化为结构化规则，确保临时参数不会干扰核心策略。
在任务执行层面，系统内置112个可组合的技能模块，覆盖内容发现、策划、制作、发布和效果归因等全链条。以学术论文解读为例，智能体会先提取研究核心要素，再根据不同平台特性生成图文、知识卡片或视频脚本，最后调用配音、字幕生成等工具完成制作。各环节产生的中间产物和执行记录均被系统保留，既支持素材复用，也便于错误追溯和流程优化。
反馈机制设计是该系统的核心创新点。任务内反馈通过实时检查布局合理性、音画同步性等指标，指导智能体即时修正当前产物；跨任务反馈则分析用户修订记录和发布效果数据，提炼具有普适性的创作策略。例如，系统会统计特定表达方式在不同受众群体中的理解障碍率，或评估某类制作方法被创作者采纳的频率，这些数据经因果关系分析后，可转化为优化后续决策的参考依据。
针对跨平台内容适配难题，Easel开发了多版本生成功能。系统基于同一组结构化素材，自动调整信息密度、叙事节奏和媒体形式，生成适配小红书、抖音、知乎等不同平台的内容版本。这种设计使研究者能够观察特定创作经验在不同传播场景中的迁移效果，例如某些解释框架是否具有跨平台普适性，或特定开场方式是否仅对特定受众有效。
为确保经验积累的质量，系统建立了严格的数据验证机制。发布效果分析不仅统计互动指标，更会标注样本量、数据分布等关键信息，帮助区分相关性与因果性。只有通过创作者确认的可复用发现，才会被纳入账号画像更新。这种设计避免了将偶然成功固化为长期规则的风险，确保记忆模块存储的是真正具有推广价值的创作经验。
该项目的开放架构为多方协作提供了基础。创作者可通过实际任务提供交互数据，开发者能够扩展技能模块和工具链，研究者则可围绕长期记忆有效性、多模态信息一致性等具体问题开展对比实验。当前系统已实现经验积累与反馈利用的基础功能，但更精准的经验筛选、适用条件建模和技能优化策略，仍需持续研究验证。
