A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence

大语言模型（LLMs）虽然展现出强大的能力，但其本质仍是静态的，无法根据新任务、不断发展的知识领域或动态交互情境调整自身的内部参数。随着LLMs越来越多地应用于开放性、交互性的环境，这种静态特性已经成为一个关键瓶颈，迫切需要能够实时自适应地进行推理、行动并持续演化的智能体。这一范式转变——从扩展静态模型转向开发自我演化的智能体——引发了人们对具备持续学习和适应能力的架构与方法的广泛关注。本文首次对自我演化智能体进行了系统而全面的综述，围绕三个基本维度展开：演化的对象（what）、演化的时机（when）和演化的手段（how）。我们考察了智能体各个组成部分（如模型、记忆、工具、架构）中的演化机制，按照适应阶段（如测试时内部适应、测试期间适应）对适应方法进行了分类，并分析了指导演化适应的算法与架构设计（如标量奖励、文本反馈、单智能体与多智能体系统）。此外，我们还探讨了专门针对自我演化智能体的评估指标与基准测试，强调了其在编程、教育和医疗等领域的应用，并指出了安全性、可扩展性以及协同演化动态等方面的若干关键挑战与研究方向。通过提供一个结构化的框架来理解和设计自我演化的智能体，本文为在研究和实际应用中推进自适应智能系统的发展绘制了路线图，最终为实现人工超智能（ASI）铺平道路，即智能体能够在各种任务中自主演化，并达到或超越人类水平的智能表现。

论文旨在解决大型语言模型（LLMs）静态不变的本质所带来的局限性。由于LLMs无法根据新任务、知识领域或动态交互环境调整其内部参数，这限制了它们在开放、交互式环境中的性能。这是一个新兴且重要的问题，随着LLMs被广泛部署到实时动态场景中，其缺乏自适应进化能力成为关键瓶颈。

论文提出了一种范式转变：从单纯扩大静态模型规模，转向构建能够实时适应、推理和演化的自我进化代理（self-evolving agents）。其核心思想是通过三个维度系统性地分析代理的进化能力：进化内容（what）、进化时机（when）、以及进化方式（how）。相比现有研究，该论文首次提供了对自我进化代理的系统性和综合性回顾，为设计这类代理提供了结构化框架。

1. 提出了自我进化代理的系统分类法，涵盖模型、记忆、工具、架构等多个组件的演化。 2. 将进化方法按阶段分类，如测试时内部适应（intra-test-time）和测试间适应（inter-test-time）。 3. 讨论了指导代理演化的算法设计，包括标量奖励、文本反馈、单智能体与多智能体系统。 4. 分析了评估自我进化代理的专用指标与基准测试，并探讨了其在编程、教育、医疗等领域的应用。 5. 识别了安全性、可扩展性与共进化动态等关键挑战，为未来研究指明方向。 6. 论文为构建通向人工超智能（ASI）的路径提供了理论基础与实践指导。

1. 《Continual Learning in Neural Networks》 - 探讨神经网络中的持续学习方法。 2. 《Meta-World: A Benchmark for Meta-Reinforcement Learning》 - 提供用于元强化学习的基准测试。 3. 《Agent-Agnostic Human-in-the-Loop Reinforcement Learning》 - 研究人机协作的强化学习框架。 4. 《Towards Autonomous Intelligent Agents: A Survey》 - 对自主智能代理的综述。 5. 《Evolving Neural Networks through Augmenting Topologies》 - 探索通过拓扑增强演化神经网络的方法。