AgentGarten（可直译为"智能体花园"）指一类训练环境：让 AI 智能体（agent）在程序化生成、可实时交互的虚拟世界里反复试玩，边玩边进化，并把摸索出来的本事沉淀成可复用的技能。
它到底在做什么
想象教一个孩子做事。传统方式是发一本习题册——题是固定的，答案也是固定的，做完了打个分，翻来覆去就那几百道。AgentGarten 更像把孩子放进一座会自己长出新城堡的游乐场：这次进门是沙漠，下次可能是水下，规则还会变。孩子只能真的动手、真的失败、真的重来。
三个关键词拆开看：
- 程序化生成（procedural generation）：地图、任务、对手、道具乃至部分物理规则，由程序在运行时生成，每局都不一样。这样一来，"背答案"就没用了。
- 实时交互：智能体的每一步动作会立刻改变世界状态，它得在有限时间内决策、执行、承担后果，而不是跑完一趟再统一评分。
- 自演进与技能沉淀：智能体把试错中有效的套路抽象成技能或工具存起来，下次遇到相似情境直接调用，而不是每次从零开始。环境本身也可以随智能体能力提升而变难，形成"训练—评估—加难"的循环。
和静态基准评测的区别
这是这个概念的要点。静态基准（benchmark）像期末考：题目固定、一次评分、横向排名。它的价值是可比性，代价是容易被"刷榜"——模型或团队针对题库过拟合，分数涨了，真本事未必涨；一旦数据泄漏到训练集里，分数就失真了。
AgentGarten 走的是另一条路：评测和训练是同一件事。它不问你"这套题考几分"，而问"把你扔进没见过的新局面，你能不能越来越行"。前者测的是存量能力，后者测的是增量能力。
| 维度 | 静态基准评测 | AgentGarten 类试炼场 |
|---|---|---|
| 环境 | 固定题库或固定关卡 | 程序化生成，每局不同 |
| 时间性 | 离线、一次性打分 | 实时、边跑边变 |
| 主要目的 | 比较与排名模型 | 让智能体变强 |
| 产出 | 一个分数 | 分数 + 可复用技能库 |
| 主要风险 | 过拟合、数据污染 | 难度失控、算力开销大 |
对从业者和普通人的意义
对从业者，评测思路会从"考多少分"转向"能不能持续变强"，技能库本身成为一种可积累的资产。工程上的新难题也随之而来：环境要可复现（靠随机种子控制）、成本要可控、难度要动态调节，否则要么太简单学不到东西，要么太难直接卡死。
对普通人，这意味着你以后用的 AI 助手可能不是"教"出来的，而是"练"出来的——它在反复试玩里长本事，顺手把好用的招数记下来。但也要留个心眼：一个在虚拟游乐场里练成的技能，未必能直接搬到现实。现实不可回滚、成本真实、错误代价可能很大，从试炼场到真实场景之间，还需要安全边界和人工把关。
这类系统的具体实现方式、支持的环境类型与性能数据，以官方页面为准。