在大规模模型能够迅速生成文本、图像和视频的背景下，涌现出一个新的问题：社交媒体代理是否能在执行任务的过程中积累经验，并在互动中不断调整其后续行为？社交媒体场景为此提供了独特的视角。这些代理需要理解创作者的特点，协调多种工具进行内容制作，并在内容发布后分析观众的反馈。先前任务中的选题、表达方法和执行效果都会影响未来的决策。浙江大学的真实实验室与北京大学的开放数据科学人工智能实验室联合推出的Easel项目，正围绕这一挑战进行研究。该项目将账号特征、多模态技能、平台互动以及反馈分析相结合，构建出一个涵盖发现、策划、制作、发布和复盘的完整工作流程。
Easel的研究目标在于将内容创作视为一个能够总结上下文和经验的互动过程，代理在任务执行中识别问题，并将有用的经验纳入后续产业。当前的适应性主要通过外部记忆和上下文更新达成，为自我进化的社交媒体代理提供了实质性的系统基础。
社交媒体作为一个具有长期约束的互动环境，其内容生产特征鲜明，决策依赖呈连续性。选题会影响脚本，而脚本对于素材的制作同样至关重要，平台的表达又会影响受众的理解。因此，一次生成的质量仅仅反映了其中某一环节。
该环境具有三个重要特性。首先，目标是个性化的；同一主题对不同账号的影响大相径庭，同一研究论文面向专业读者和公众时，需要采用不同的表达方式。其次，环境是动态变化的。热点、观众的兴趣以及平台状况会不断变化，过去有效的方法在新任务中也需重新评估。最后，反馈常常具有延时性和噪声，内容表现受选题、表达、曝光和时机等多重因素的影响，代理必须有效区分可复用经验与偶然结果。
这些特性使得持续创作成为研究长期代理的切入点：系统不仅要保持对用户目标的稳定理解，还要根据新证据调整其行为。Easel将账号上下文分为定位、风格、受众、平台、偏好边界及长期记忆六个维度，从而保证用户约束能够贯穿不同任务。
例如，一个以科技为主题的账号可能会强调“保持方法细节但减少术语使用”，这一偏好会影响后续选题的深度、脚本的结构及图文表达。代理在新任务中可以获取相关的上下文，无需每次都重新理解账号。长期记忆则是承接交互中形成的新经验，代理会筛选出可复用的偏好和有效的制作方法，并经过用户确认后逐步写入，与现有内容保持一致。临时的规格及一次性参数则不会转化为长期规则。
Easel通过这样的机制，形成了一条基于记忆的适应路径：任务互动产生的反馈被提炼成候选经验，经过确认后写入长期上下文，再用于未来的决策。在这一过程中，代理可利用的知识与经验在不断更新。用户的确认使得记忆更新变得可审视，从而保留纠正错误的入口。
Easel目前内置了112个技能，涵盖从发现、策划到制作、发布等各个环节。这些技能将执行流程、领域知识和工具调用方式组织为可组合的能力单元。代理会根据任务目标选择合适的技能，按照需要读取流程和参考资料，并协调文字、图像、语音和视频工具来执行任务。
以论文解读为例，代理首先提炼研究问题、方法及关键证据，接着组织文章、知识卡片或视频脚本，最终完成配图、配音、字幕与合成。不同的表达方式可以基于同一组结构化资料，减少因各模态独立理解所带来的信息偏差。
Easel系统会按项目保存源文件、中间产物及最终作品，并记录关键信息、产物之间的关系及执行状态。后续任务能够复用已有的素材与决策，若出现问题，也可以依据记录定位并进行后续处理。
从研究的视角来看，这赋予了任务经验具体的载体。成功的结构、有效的素材组织及执行过程中的问题都有机会被回顾和重用。开放的技能体系也鼓励开发者将经过验证的方法沉淀为流程，促进进一步的技能选择与组合策略研究。
Easel还具有两个层面的反馈机制：任务内修复及跨任务适应。任务内反馈直接作用于当前产品，代理负责内容理解、结构设计和表达判断，工具则负责媒体处理与规格检查，基于效果调整内容。这样的局部反馈帮助代理在当前任务中及时发现错误并加以修正。
