World Model Optimizer（WMO）是由experientiallabs开源的一项工具，直面当前智能体（Agent）系统性能优化与模型成本之间的矛盾。其核心思路是将智能体在实际运行中积累的交互轨迹作为高价值训练数据，通过知识蒸馏从前沿大模型中提取能力，生成更小、更专注、更低成本的优化模型。WMO不仅提供模型注册和基于任务轨迹的智能路由机制，更引入了一个闭环的仿真训练流程：托管在隔离环境中的智能体可以持续产生新轨迹，不断回馈并微调模型，实现“越用越聪明”的飞轮效应。该项目为构建自适应的大规模智能体集群提供了可复现的工程范式，有望推动企业级AI应用从单点实验走向持续演进的工业化部署，在降低推理开销的同时，让智能体的领域性、鲁棒性和执行效率获得滚动提升，对关注AI工程化和自主智能落地的开发者极具参考价值。