world-model-optimizer 開源：Agent 開發者終于有了開箱即用的世界模型優化器

world-model-optimizer 正式開源。它不是另一個世界模型訓練框架，而是一個專為 Agent 場景設計的輕量級優化器：用純文本定義工具行為，讓模型在真實調用鏈中持續在線微調；實測響應仿真精度接近 Fable 等方案，推理 token 減半，原生支持 Llama-3、Qwen2、DeepSeek-V3、Phi-3 等主流開源模型。部署即用，迭代當天見效。

為什么 Agent 需要“可演化的世界模型”

多數 Agent 框架靠靜態工具描述或硬編碼 schema 運行。Slack API 升級、CLI 參數變動、甚至一個新錯誤碼出現，整個推理鏈就崩。world-model-optimizer 不 mock 服務，也不依賴多模態仿真引擎。它把工具行為壓縮成結構化文本——比如 curl -X POST https://api.slack.com/chat.postMessage 的輸入約束、輸出格式、常見錯誤碼、速率限制邏輯，全部寫進 YAML + Markdown 混合文件。模型不用 GPU 就能“預演”上千次調用路徑，生成高質量訓練信號。

輕量、在線、閉環：三個技術錨點撐起生產落地

• 輕量：核心優化器僅 280 行 Python，不依賴 PyTorch/Triton，CPU 即可運行；每個工具的世界模型描述平均 <5KB，可 Git 版本管理、可 PR 評審
• 在線：內置增量訓練調度器。當用戶 query 觸發未覆蓋的邊界 case（例如“把 Excel 轉成帶格式 PDF 并郵件發送”），系統自動捕獲失敗軌跡 → 生成反事實樣本 → 觸發 LoRA 微調 → 熱加載新權重，全程 <90 秒
• 閉環：配套 wmo-eval CLI 工具，一鍵比對優化前后在 ToolBench、AgentBench 上的成功率與 token 消耗，支持按 domain（如 DevOps/CRM/Research）隔離評估

實測數據：HuggingFace ToolCall 基準上，Qwen2-7B-Agent 經 world-model-optimizer 微調后，任務完成率從 63.2% 提升至 89.7%，單次推理平均 token 從 412 降至 205——算力減半，準確率反升。

不是替代，而是補位：它如何嵌入現有 Agent 工作流

world-model-optimizer 不重寫你的 Agent 框架。它只解決一個長期被忽略的問題：模型能力與現實工具生態之間的演化鴻溝。你繼續用 LangChain 或 LlamaIndex 編排流程，用 Ollama 或 vLLM 托管模型。wmo 只做一件事——持續告訴模型：“這個世界此刻長什么樣”。

它輸出三樣東西：

• 可插拔的 LoRA 適配器
• 標準化的 tool-spec JSON Schema
• 帶置信度標注的仿真日志

OpenClaw（龍蝦）生態已集成進 claw-train 命令：

claw-train --wmo --base qwen2:7b

即可啟動端到端優化流水線。

?? Binance · OKX · Gate.io · HTX · Bitget

開源即可用：GitHub 倉庫已上線，社區進展明確

項目地址：github.com/silennai/world-model-optimizer
包含完整文檔、6 個真實工具的 world-spec 示例（GitHub API、FFmpeg CLI、Python REPL、Notion API 等）、Docker 一鍵部署腳本。首周獲 237 star，社區已提交針對 Cursor 插件、Devin-style 代碼沙盒、Manus 本地 Agent 的適配 PR。所有模型權重兼容 GGUF 格式；未來三個月將支持量化微調（Q4 LoRA + AWQ 雙路徑）。

下一步：從“仿真世界”走向“協商世界”

當前版本聚焦單 Agent 單工具鏈仿真。團隊已在預研多 Agent 協同建模模塊：讓不同 Agent 對同一 API（如 AWS EC2）各自生成世界描述，再通過共識機制收斂出更魯棒的接口契約。這對構建可信企業級 Agent 集群至關重要。

現在就是入場時機：挑一個你最常調用的工具，運行

wmo init --tool github

生成初始 world spec，跑通第一次在線微調。世界不會靜止，你的 Agent 也不該停在 v1.0。