综述：Agentic 环境工程——建模、合成、评测与共演化的全生命周期

Agent 能力持续进化的瓶颈，越来越多地不在模型本身，而在环境——交互系统既是训练场也是评测场，但既有工作长期缺乏系统的分类与梳理。这篇综述把 agentic 环境当作一个完整的「工程生命周期」来研究，覆盖建模、合成、评测、应用四个阶段，是这个方向少见的全景式地图。

论文信息

• 标题：Agentic Environment Engineering for Large Language Models: A Survey of Environment Modeling, Synthesis, Evaluation, and Application
• 作者：Li Jiachun, Jin Zhuoran, Men Tianyi et al., 2026
• arXiv：2606.12191
• 关键词：agentic environment、environment synthesis、symbolic/neural、agent-environment co-evolution

综述框架

文章从环境工程生命周期切入，分四个阶段组织：

1. 建模（Modeling）：从 8 个属性 × 8 个领域的视角介绍代表性环境，分析各自的发展路径与核心能力；
2. 合成（Synthesis）：自动化环境合成归结为两条范式——符号合成（symbolic synthesis）与神经合成（neural synthesis），并讨论两种范式下各自的环境评测方法；
3. 应用（Application）：从智能体-环境共演化角度展开；
4. 未来方向：Environment-as-a-Service、多智能体环境、神经-符号环境。

共演化的两条轴

最有价值的是对「共演化」的拆解，分成智能体侧和环境侧两条轴：

• 智能体在动态环境中的演化路径（四视角）：以记忆为中心的经验演化、以编排为中心的工作流演化、以轨迹为中心的离线演化、以探索为中心的在线演化；
• 环境演化三范式：神经驱动（neural-driven）、难度驱动（difficulty-driven）、规模驱动（scaling-driven）。

定位与启示

这篇综述给「Agentic 数据合成与环境合成」这个类别提供了坐标系：之后要讲的 ScaleEnv（从零合成全交互环境）、Environment-free（LLM 当世界模型造数据）、AgentOmnia（双向 env-task 合成）都能在这个框架里找到位置——ScaleEnv 偏符号/规模驱动合成，Environment-free 偏神经合成，AgentOmnia 则是难度驱动 + 共演化的代表。读综述先把地图装进脑子，再看单篇方法就不容易迷路。