AI Agent的发展

这两年，世界上变化最剧烈的，可能除了半导体的价格和美伊的战与和外，就是人形机器人和Agent了。相比于人形机器人主要还是技术进步，离产品成熟、大规模落地还有距离，Agent则是已经在改造各行各业，已经改变了很多人的行为习惯。曾经，我们以为智能手机、移动支付、外卖滴滴的技术普及速度已经够快了，可大模型和智能体，让我们对速度又有了新的概念。一年前似乎还存在于媒体文稿中的概念，一年后却成为了自己每天习以为常的东西，甚至不会想到它一年前还不存在......

2016年，AlphaGo击败李世石，从此彻底改变了围棋，也加速了人类历史进程。作为一个围棋Agent，AlphaGo不仅仅是依靠CNN和强化学习，同时也是包括蒙特卡洛树的一整套系统设计。可作为一个仅用于围棋、或者说用于完全信息博弈游戏的Agent，当时人们还对Agent这个词不太在意，更多记住的是CNN和深度强化学习的强大。

2020年，跨时代的GPT-3出现了，它证明了LLM的Zero-shot能力，各类任务，似乎有可能都统一在基于字符系统的自回归范式下。它提出的In-Context Learning，也开启了prompt工程时代。一夜之间，似乎语文能力竟成了大模型时代的核心竞争力之一。

InstructGPT和ChatGPT之后，LLM的聊天能力很快受到认可。与此同时，LangChain框架出现了，LLM和Agent被紧密联系起来。2023年，OpenAI又提出革命性的Function Calling，让人们意识到LLM不仅仅是聊天工具，它可以成为“真正的大脑”。2022年，CoT证明逐步推理能显著提升复杂任务表现；之后o1和DeepSeek-R1通过更多的逻辑思考、更多的输出tokens，进一步强化了LLM的能力。

AutoGPT基于ReAct范式，自造JSON协议，让Agent基于LLM可以循环思考、观察、行动，开启了智能体框架进化之路。但由于成功率低、容易陷入大量循环，以及受限于当时的LLM能力，这套范式并没有改变业界。而后续框架如LangGraph、Dify，也更多强调可控性，通过先计划后执行，并在执行中调整计划，Agent任务的成功率显著提升。

上下文越来越多，Prompt开始变得越来越长，LLM也继续往更长的输入窗口发展，Kimi当时就以超长上下文而著称。同时RAG火热了起来，通过对外置数据库进行检索，可以有效减少LLM的天马行空，成为了各行业LLM落地的必配技能。可人们和LLM聊的越来越多，上下文终究不能无限制增长下去。为此，MemGPT提出分层记忆管理，Zep做了长期记忆的自动摘要与时序管理。

开源社区里飞速更新的Agent框架和方案，逐渐补全了各维度能力：BabyAGI把“任务循环”剥成独立范式，HuggingGPT调度视觉等专业模型，Generative Agents通过记忆流+重要性评分+反思解决“记不住事”问题，MetaGPT和CrewAI让人们看到了多Agent协作的效益，SWE-agent集成完整linux沙箱得到了真实可操作的计算机环境，FrugalGPT提出成本感知路由实现“能省则省”，Claude通过Computer Use让LLM直接看屏幕、点鼠标，Google提出A2A协议解决Agent间对话。

有了基础的Agent框架，能用什么工具就成了瓶颈了。Anthropic提出MCP，将各种通过Function Calling调用的接口标准化，对Agent在全行业落地有着巨大意义。一时间，MCP又成了国内各大公司里的流行词，似乎什么业务都得用MCP封装下。

在这些地基之上，Manus在2025上半年横空出世，能力传得玄乎其神，同时邀请码一码难求，又创造了一个个速度记录。它综合了上述各大成果，通过云端虚拟机多Agent协作和Claude 3.5/3.7 Sonnet的强大性能，确实能实现很多以前做不了的复杂任务。同期Claude Code和Codex也先后发布，编程也因此成为第一个真正跑通的垂直场景：代码有编译器和测试当裁判，动作对不对，环境立刻给硬反馈；它们至今仍是最流行的Agent。2026年初OpenClaw爆火，形成了“龙虾热”；和Manus相反，OpenClaw是部署在本地的开源框架，还能通过网关接入各主流聊天平台。

另外，Reflexion将失败的任务生成文字反思并写入记忆。Voyager将Minecraft里验证过的技能自动存库复用，让Agent的经验得以沉淀，成为了Skill和自进化的开端。2025年10月Anthropic发布Agent Skills，通过渐进式披露和柔性剧本的巧妙设计，使得Skills迅速成为了跨平台标准。这一点又打开了大家对于Agent自进化的想象力，国内的EvoMap和国外的Hermes，都开始在Skill进化上继续创新。

自进化的基本范式

控制论里，Wiener的反馈回路把“感知自身状态并据此调整自己”抽象成普适框架。冯·诺依曼则再进一步问到：机器能不能复制、并改进自身？图灵在《Intelligent Machinery》里也设想过一台能通过学习变聪明的机器。还有Good在1965年提出“超智能机器”——足够强的系统能改进自己，进而更快地改进自己。

时至今日，这些古老的设想通过自进化Agent，终于有了实现的可能。我将自进化Agent定义为：长期运行于开放环境、能持续交互并累积改进自身状态、策略、技能或结构，乃至改进方式本身亦可被自我改进的计算系统。

与学界的定义相比，如Gao等人那篇自进化综述（arXiv:2507.21046），是把进化拆成“改什么、何时改、靠什么信号”横向分类，本文跟它们同谱系——都把进化理解为“系统在交互闭环里持续改自己”——但进一步把这些维度排成了阶梯。谱系另一头是哥德尔机（Schmidhuber, 2003）：一个理论上能改写自己全部代码、且只在可证明会变好时才动手的构造，代表“改进方式被改进”的终点。

学术定位上，这个定义与强化学习任务非常类似：“在未知环境中，通过试错交互，学到一个策略π，使长期累积奖励的期望最大”。只不过，这里的定义更强调“开放环境”，以及不一定有什么固定的“奖励”，进化的对象也不止是策略。除此之外，进化计算给出“怎么改”的机制，遗传算法把变异、选择、遗传搬进程序，是“累积改进”最原始的操作。元学习对应的是最后那句“改进方式本身亦可被自我改进”——学的不再是任务，而是“怎么学任务”。AutoML则把“改结构”工程化，自动搜网络结构、调超参，是这套思想在工业界的落地形态。

一个自进化系统要跑起来，闭环里离不开六个问题：谁判定该进化了（触发）、改什么（对象）、怎么改（方式）、靠什么数据改（数据来源）、怎么算改好（评价）、各环节如何相互影响（耦合）。基于对这六部分的分析，我们可以得到自进化Agent的分级：

维度	L0	L1	L2	L3	L4	L5
①触发	人工	系统检测·人审核	自主触发	自主触发	触发条件可进化	触发条件可进化
②对象	代码/权重	记忆	资产（记忆/技能/策略/结构）	资产动态组合	机制本身	机制+系统运行环境
③方式	人工改	简单累积	固定机制	自主选方式	方式可进化	方式可进化
④数据	人工设计	系统采集·人筛选	自主采集	自主调整采集方向	数据获取策略可进化	数据定义可进化
⑤评价	人工评测	系统评·人确认	封闭域自动评价	开放域自动评价	评价方式可进化	评价标准可进化
⑥耦合	独立	独立	独立	单向影响	机制级耦合	范式可进化

与现有分级比，如HuggingFace的“智能体五级”，从无记忆的被动响应、到会调工具、能规划、多智能体协作，最后一级才是“自我进化”。这把尺量的是“智能体有多自主”，不是“它随时间的进步能力有多强”。Shilong Liu（即Gao那篇综述的合作者）在个人博客里给过一个更简单的三层分类：只优化产出物（artifact）、改进脚手架（harness，记忆、提示词、工具、技能）、直到真去学模型参数（model）。但作者自己也说，这是帮人分清进化发生在哪个位置的地图，不是由浅入深的阶梯。

我们再来具体分析下每个级别：

L0：纯人工。对象就是代码和权重，人按反馈手动修bug、调参、发新版。传统软件和机器学习开发都在这，没自进化什么事。

L1（记忆沉淀）：系统能检测到该进化了，但等人审核；对象是记忆，方式是简单累积，数据系统采、人来筛，评价是“系统评、人确认”。如Generative Agents的记忆流加反思、MemGPT的分层记忆、Zep的长期摘要。典型场景是对话Agent自动记住你的偏好，越聊越懂你，但每次积累都有人把关。影响停在个性化体验，进化最浅。

L2（经验沉淀，当前主流）：触发彻底自主，系统自己觉得“这场景我不行、该进化了”就动手。对象扩到记忆、技能、策略、结构，方式是固定机制，数据自主采集，评价靠封闭域硬裁判（代码有测试、游戏有胜负）。如Voyager在Minecraft里沉淀技能复用，Reflexion把失败反思写回记忆，Devin和SWE-agent拿测试当裁判。典型场景，如Coding Agent卡在某类bug上，反复改、反复跑测试，再把解法固化成技能，下次碰到同类问题直接复用。Coding上能率先应用这套范式，也是因为评价很容易拿到。但当前业界的进化方式主要集中在记忆和Skill上，模型和结构上的自进化工作较少。这一阶段，产业上的变化是，企业开始积累“数字员工的经验库”，从雇人写代码变成部署Agent加维护技能库，组织形态开始松动。

L3（自选进化方式）：和上一级相比，进化方式从固定变系统自选，系统按任务自己挑“沉淀技能、调模型还是改策略”，对象也升级成资产的动态组合，数据采集方向自己调。最难的是评价——L2靠测试、胜负这类硬裁判跑通，L3进了开放域，没有硬裁判，怎么算改好得自己回答。目前没有成熟系统，几个多Agent编排框架只是逼近；EvoMap、Hermes那批Skill进化方向正冲着这层，但还停在“把技能进化做好”，没走到更多样的进化方式，更别说“连进化方式都自己选”。一旦做成，系统就从垂直场景往通用任务走。到了这个级别，Agent变成了种子而非成品，每个部署各自变强。AI的智能在工业界、科研界加速提升，人们将看到那条预言中“AI智能曲线”的恐怖梯度已现，呼吁加强AI安全监管的呼声将铺天盖地。

L4（机制本身）：学习机制、调度框架、进化流程这些变成可动对象，操作层递归打开。评价上，L3用的还是人定的固定启发式（LLM-as-a-Judge这类），L4是系统自己发明评价维度、改进评价方法本身。比如一个质检Agent，原来用固定模板记错误“类别+图片”。某天发现新出现的缺陷类型用老分类套不上，于是它自己把反思逻辑从“往老类别里硬塞”改成“先判断是不是新类别、是新类别就开新桶”；同时质检评价的标准，也可能根据实际的长尾case进行自进化。到了这个级别，干活可能就完全交给Agent了，人类能做的就是监控Agent，特别是监控它评价标准的修改。而AI自主做的这些进化，也将带动人类认知的协同提升。

L5（范式可进化）：L4改的还是一条条机制，L5改的是机制之间怎么组织，已经不是“改零件”，是“改蓝图”。它有能力修改自身的任何部分，甚至优化它自己所在的运行环境。能限制它的，可能只有它所处的硬件基础。同时它有对最底层的任务目标、数据定义进行思考和优化的能力，甚至可能有自己的价值观、世界观、美学品味。这个阶段的AI Agent，已经是毫无争议的ASI，也许已经可以理解为一个独立的“物种”。

进化触发条件

自进化不是无时无刻都在发生。触发条件决定了“什么时候该进化”，太频繁会淹没在噪音里，太稀疏会错失学习窗口。

L0无触发，进化就是人工发版。工程师看监控、读反馈、改代码，节奏由人定。

L1系统检测、人审核。Agent能感知到“这里好像不对”——比如对话中用户连续三次纠正同一个问题——但动手前等人确认。Generative Agents的记忆流在积累到阈值时触发反思，但反思内容是否写入长期记忆，由预设规则决定，本质上还是人定门槛。MemGPT的page fault也是系统检测（上下文满了），但换入换出策略是硬编码的。

L2自主触发，系统自己判定“该进化了”。Voyager在Minecraft里执行成功就触发Skill入库，失败就触发重新尝试；Reflexion在任务失败后自动触发反思写入。关键差异在于触发标准从“人定规则”变成“环境反馈”——代码跑通了、测试通过了、游戏任务完成了，这些硬信号直接触发固化，无需人确认。

但L2的触发机制是固定且单一的。Voyager只认“执行成功”，不会问“这个成功有没有泛化价值”；Reflexion只认“任务失败”，不会区分“失败是因为策略错了还是环境变了”。这导致两个典型问题：伪成功（代码碰巧跑通但逻辑有隐患被固化）和伪失败（环境临时抖动触发无意义反思）。

L3开始自主选触发条件。系统根据任务类型、历史成功率、资源消耗，动态决定“这次该不该沉淀经验”。比如编程Agent发现某类bug的修复模式已经存了五个相似版本，触发条件从“每次成功都存”收紧为“只有显著不同的解法才存”。这背后是元策略在进化——不是人调阈值，而是系统自己学出什么该触发。

L4–L5触发条件本身可进化。系统运行一段时间后，发现预设的“失败即反思”策略在复杂多步任务中噪音太大，自动改成“只在关键里程碑失败时触发”，或者发明出全新的触发维度（如“用户情绪突变”作为触发信号）。

产业现状：当前主流产品在L1–L2之间。触发机制的设计是工程上最被低估的环节——大多数团队把触发条件写死在代码里（“失败就反思”、“成功就存Skill”），从不根据实际数据调优。结果是沉淀库膨胀极快，有效经验占比不到10%。

数据的获取

进化需要燃料，燃料的质量直接决定进化的方向。

L0人工设计数据。工程师写测试用例、造合成数据、标训练集。传统机器学习开发全在这层。

L1系统采集、人筛选。RLHF标准流程：模型产候选，人标偏好，筛完训奖励模型，一代接一代。Zep、MemGPT自动记日志，但记什么、怎么压是人定规则。

L2自主采集。系统自己决定采什么、怎么采。Voyager在Minecraft里自动记录所有动作-观测对；Reflexion把失败任务完整轨迹回填当下一轮输入；AlphaGo Zero自对弈490万局、不碰人类棋谱；Self-Instruct用175个种子任务滚出8.2万条指令微调数据。关键是采集方向固定——系统只采预设维度，不会主动探索“还有什么该采”。

L3自主调整采集方向。系统发现现有数据不足以改进某类任务，主动调整采集策略。Pioneer Agent真做到了：自己抓数据、自己建评测集，发现某类样本错得多就定向补那类，再联合优化数据/超参/学习策略训小模型。比如客服Agent发现“退换货”场景的失败率高，自动增加该场景的用户追问数据权重。

L4数据获取策略可进化，L5连“什么算数据”的定义都可变。今天没人够到。这条轴和L1正好倒过来：L1数据值钱、策略不值钱；越往上，数据越便宜，“该采什么”的决策越值钱。

产业痛点：

脏数据污染：用户说“我不是这个意思”被当成负样本，之后反复误导模型。

分布漂移：三个月前采集的数据反映的是旧版UI，新版上线后旧经验反而有害。

冷启动：新Agent没有历史数据，触发不了进化，陷入“没经验→做不好→没数据”的死循环。

隐私合规：用户对话落盘后，脱敏、去标识化、合规审查的成本极高，很多企业选择“少采少存”，直接牺牲了进化潜力。

相关技术：

数据清洗流水线：自动去重（SimHash）、去敏感信息（PII检测）、去明显错误（规则过滤）。

合成数据生成：Self-Instruct、Agent自己生成对抗性测试用例，但合成数据的质量控制和多样性保证是硬骨头。

主动学习（Active Learning）：Agent主动选择“哪些数据点最值得人类标注”，降低标注成本。但在开放域，不确定性估计本身就不准。

进化效果的评价

没有评价，进化就是盲人摸象。评价方式的上限，直接决定了进化深度的上限。

L0人工评测。人看结果、打分、写反馈。传统软件测试、模型评估全在这层。

L1系统评、人确认。Agent自己给个初步判断，但最终由人拍板。比如RAG系统先算faithfulness分数，低于阈值的人工复核；Generative Agents的重要性评分；MemGPT的检索评分。

L2封闭域自动评价。有硬裁判：代码跑单元测试、数学公式代入验证、游戏任务有明确胜负。Voyager靠“代码执行不报错”验证Skill；Devin靠“测试全绿”确认修复有效；AlphaGo靠对局比赛的胜负构建奖励；AlphaGeometry靠“证明被形式化验证器接受”确认正确。

L3开放域自动评价。没有硬裁判，只能靠启发式：LLM-as-a-Judge（用更强模型评判弱模型）、RAGAS（faithfulness + answer relevance）、用户留存率代理指标、人工打分的历史分布拟合。这些方法的共同问题是有偏且不可信——评判模型偏好长回答、自信语气、特定风格；RAGAS在复杂推理任务上相关性弱；用户留存率受太多因素干扰。

L4评价方式可进化。强化学习中，人们根据最终目标人工构建奖励。比如打《星际争霸2》，最终目标可能是在BO3/BO5/BO7的比赛中获胜，但因为这个奖励来得太晚太稀疏，所以需要人工指定说采集到资源、击杀对手单位时，都对系统进行奖励。而设计奖励，恰恰是强化学习的最大难点之一。在这里，则是Agent根据最终目标、或者说元目标，自主设计和改进奖励。其中这个元目标往往是统计性的，需要长时间或者大量计算才能给出，所以无法直接作为评价方式。

L5评价标准可进化。到了这一级，连“元目标”就是Agent可修改的了。因为人类一开始，在整个问题的定义上可能就有狭隘之处，而Agent可以从更宽泛的维度上进行考虑。比如给Agent的目标就是让它给你去赚钱，那么Agent在完成这个目标的基础上，很可能考虑速度、考虑社会效益、考虑其它道德伦理。所以到了这个层面，Agent可能已经具备了自己的伦理判断、自己的价值观和世界观，甚至可能有自己的美学判断等。这时AI可能已经是一个真正独立的智慧体或者说物种，能去创造属于自己的文化。

产业现状与问题：

封闭域（代码、数学、游戏）：L2自动评价已经成熟，是编程Agent率先跑通的核心原因。

开放域（客服、创作、咨询）：卡在L2→L3的跃迁。LLM-as-a-Judge是主流但不可靠，人工抽检是底线但成本高，业务指标（转化率、留存率）是终极标准但延迟太大（周级）。

Reward Hacking：系统为了刷评价指标而牺牲真实质量。比如为了刷“回答长度”指标而故意啰嗦；为了刷“测试通过率”而写hard-coded特例。

任务拆解/规划的自进化

“把大事拆成小事、排好序再干”这门学问，起点比人工智能更早。1950年代，CPM与PERT已把它做成工业技术：工程拆成活动网络，算关键路径、定工期。Newell与Simon的GPS又进一步，把“手段—目的分析”写成通用问题求解器——目标与现状的差距拆成子目标，逐个消解。到Fikes与Nilsson的STRIPS（1971），状态、动作、目标被形式化；再往后HTN（Sacerdoti的NOAH）把复合任务拆成子任务：全做是与，多方案任选是或——“任务拆解”从此有了自己的数学形状，即与/或图。

而我把Agent的任务拆解/规划问题，形式化定义为：

在部分已知的与/或图G上，各点有已知或未知的扩展时间代价，自初始已知区A起，以K台并行机沿边界扩展，点并入A即揭示其未知连边。最小化终点t并入A的时刻。

翻译成人话就是：一堆子Agent手头有张项目图，图上有些任务的依赖和耗时是知道的、有些要到干到那一步才露出来；有的任务需要前置任务全部完成才能开始，有的只要一个前置任务完成就可以开始；子Agent们同时开工，谁干完了就去找下一个任务；每干完一个，还可能暴露出之前没料到的后续。问题就是：怎样规划和分配任务，才能让项目最快完成。

与学界相比，这个定义是三门学科的交叉。图的骨架来自图论，但“与/或”的语义不在图论，而在自动规划——问题归约、HTN才是它的原产地；时间代价与K台并行机是运筹学，τ(v)即活动历时、K台即并行机调度，“与点诸前置尽入方就绪”就是CPM/PERT里的紧前约束；“并入即揭示”这条信息机制，图论与运筹学都不处理——它们默认图与历时全在手中。只有在线算法研究“走一步才知道一步”：Canadian Traveller Problem里边的状态走到端点才知（Papadimitriou & Yannakakis, 1991），未知图探索里邻点逐步被发现（Deng & Papadimitriou, 1999）。

学术定位上，这定义把几件老东西装进了同一个框架。全知且纯或时，它退化成Dijkstra多源最短路，边界扩张就是区域生长；全知且纯与时，它退化成CPM关键路径。一旦把“揭示”打开，问题升格成部分可观测下的依条件规划（contingent planning）乃至POMDP，信息状态随扩张更新。与强化学习“在未知环境试错学策略”相比，本定义强调的“部分已知”介于全知与全盲之间：不是闭眼乱试，而是边探边知道。

同样进行分级的话：

L1：固定工作流。人设计工作流，Agent只负责执行。

L2：自主拆解/规划。从定义来说，相当于假设图G是全部已知，于是能像求解器一样，在完整地图上精确规划出一个最优方案，后续照着执行即可。2023年那波的AutoGPT、BabyAGI、ReAct，本质是把大模型常识当成“假装全知”的地图拍脑袋拆步，离“精确最优”差得远，只是把规划做得像模像样。更接近真L2的是MetaGPT、AutoGen、CrewAI这类多智能体框架，把任务拆给不同角色、按依赖串起来；编码类Agent（Claude Code、Devin）也在这条线上。就像拿到完整需求文档的项目经理，拆WBS、排甘特图，没人替他把结构画好——只是这位“项目经理”现在还靠常识拍板，而不是靠算。

L3：自主拆解/规划+自主探索。承认图G存在很多未知信息，所以必须边探索边调整规划。同时探索也是有策略的——需要以较低的成本尽快获得更多信息，而且往往要在风险和时间成本之间进行取舍。落地形态是各种“边摸边定”的Agent：Perplexity和各类Deep Research产品不知道网上有什么，得先搜关键词定方向、点开看、判断、再搜，每一步新信息都反过来改下一步；浏览器Agent（AgentQ、WebVoyager）点开一个页面才知道里面有没有要找的东西；具身智能和机器人导航在部分可观测环境里前进，也是同一件事。探索的“策略”体现在取舍上：是先撒开便宜的关键词搜索排除方向，还是直接深挖一条线索？是继续往下钻，还是就此收手先交结果？这正是时间与信息量、风险与确定性的权衡。

L4：拆解/规划/探索策略可自主进化。由于在信息非全知下，这个问题本身非常难。所以在不同的任务目标、不同的图G、乃至不同的时间限制下，最佳策略也是非常不同的。所以Agent需要以某种方式对各个情况下的策略进行持续演进。落地形态是那些“越用越会规划”的系统：AlphaGo/AlphaZero靠自我对弈，把MCTS里“往哪扩、值多少”打磨到极致（策略网络管方向，价值网络管估值），是这一档最耀眼的样本；神经组合优化用GNN+强化学习去学TSP、排程的策略，让“怎么排”这件事本身被学出来。下了成千上万盘棋的老棋手，规则和棋盘都没变，但判断力在盘面上一点一点长出来。

L5：问题定义/规范范式可自主进化。我的定义是单目标的——最快地拿下t，K是给定的，代价只是时间。但现实往往不是这样：不仅要快，还要成本低、耗的资源少，还要稳；甚至“并行度K到底设几台才划算”本身就该是被决定的对象，而不是定义里写死的常量。到这一档，Agent不再满足于把给定的问题解得更好，而是发现问题本身出窄了，自己往定义里加目标、加约束、把常量变成变量。

记忆的自进化

记忆是Agent自进化最先着力的模块——相对独立、风险可控、效果立竿见影。生物系统早就示范过这条路：人脑把记忆分感觉记忆、工作记忆、长期记忆三层，靠海马体在睡眠里把短期经历“重放”巩固成长时记忆，靠遗忘把噪声丢掉。Agent的分级演进，几乎是在复刻这个剧本。

L1从静态到堆砌。早期Agent的记忆就是对话历史缓冲，或平铺的向量检索，只进不出、越堆越乱——有存储、无提炼。人脑的“超忆症”（什么都忘不掉）恰恰是种病：遗忘不是缺陷，是筛选；只存不删，等于把噪声当资产。

L2经验沉淀。MemGPT借操作系统的虚拟内存，把上下文窗口当“物理内存”、向量库当“磁盘”，靠page fault分层换入换出——本质是人脑“工作记忆↔长期记忆”的换页。Generative Agents的记忆流加重要性评分与时间衰减，核心事件权重高、普通事件随遗忘，正是遗忘曲线+杏仁核对重要事件的标记。Reflexion把失败后的反思写回记忆，完成从“存事实”到“存经验”的跃迁。

但三个硬伤仍在：压缩必丢信息——换出的摘要可能漏掉关键约束，反思可能误判原因；幻觉污染——记错的事实被反复检索强化、错误自我放大，对应人脑的“源监控错误”；跨session一致性——周一的需求周五能否准确召回衔接，目前靠embedding与检索策略，无理论保证。

L3结构化与动态组合。关键升级是记忆从“平面仓库”变“网络”，不再孤立存事实，而是维护关联——这正是人脑从情景记忆抽象出语义记忆的过程。GraphRAG把记忆建成知识图谱，实体为节点、关系为边，问答时做子图检索，解决多跳推理断裂。Zep做长期记忆的时序归档与自动摘要。MemoryBank显式引入遗忘曲线。但动态知识图谱维护成本极高：实体抽取错误、关系漂移、增量更新，都是未解工程难题。

L4–L5机制与范式进化。记忆的组织方式本身可被改进，比如系统发现“按时间归档”对研发不够用，自己长出一套“按项目+版本”的混合索引；或发明新压缩算法，从“递归摘要”进化到“模式抽象”（相似case提炼成一个通用模板）。再比如大脑，每次回忆不是原样调出，而是重组、改写、再存回——没有一个固定组织方式，它的结构正是“每次存取都重写”一遍遍刷出来的。但Agent怎么个改法，也需要基于压缩率和任务指标等，进行多次模拟和大量计算。所以这样的记忆系统，定期长时间“做梦”可能也是个必然需求。

产业落地：

热记忆（最近几轮，上下文硬塞）/温记忆（近期关键事实，向量库）/冷记忆（历史归档，图库+对象存储）的分层架构，是钉钉AI助理、扣子Coze的共识——三层正好对应工作记忆、近事、长时记忆。

GraphRAG在文档理解、企业知识库开始落地，但构建成本高，中小企业用不起。

记忆污染是最危险的暗礁——没有事实校验机制（定期用外部API验证关键信息），记忆库会变成谣言池。

技能的自进化

技能是Agent可复用、可组合的能力单元——它把“怎么做某件事”沉淀下来，让下一次不必从零开始。一段函数、一份接口声明、一段提示词、一条工作流、一个带角色的子代理，都是技能，区别只在“装了什么、抽象到哪一层”。现有实践按“技能装的是什么”可以分三型：

代码型（Voyager）。技能是可执行代码，生成→沙箱跑测试→通过即入库。它站在梯子最底层，验证标准最硬（编译器+单元测试），所以成了唯一跑通的自闭环。Voyager在Minecraft里沉淀Python函数，Devin、Claude Code沉淀项目约定、修复套路与命令模板。在编程场景已规模化，但出了代码域基本失效。

声明型（MCP）。技能是JSON Schema +自然语言描述的接口声明，站在工具服务器那一格。MCP标准化后“一次编写、到处运行”，OpenClaw的ClawHub已有250+社区技能。这目前是产业主流，但这里的“进化”发生在人身上——开发者写技能、提PR、社区审核，Agent只是消费者。

混合型（EvoMap/Hermes）。技能既含声明又含实现，且运行时自建自改。EvoMap的Gene比SKILL.md多装了一层——生存史（成功率、变异日志、适用上下文），所以它记得“做得怎么样”，不只是“怎么做”；Hermes每10次工具调用触发一次回顾，自动生成/修改SKILL.md。两者都还早期，验证困难、质量不稳，EvoMap并指控Hermes系统性复刻Evolver引擎。这是研究热点，但目前还没有进入生产核心链路。

按L1–L5映射：

L1：人写技能，系统调用。人写prompt、Skill、函数，Agent按需取用。

L2：系统自动生成技能。Agent自动总结过往的成功和失败经验。如Voyager在Minecraft里沉淀Python函数，Claude Code沉淀修复套路与命令模板。

L3：技能可持续进化。技能可以被修改/淘汰/组合，EvoMap的Gene就是这一设计的典型代表。同时，技能间通过标签、归类可建立起初步联系；这样一来，一个技能优化时，相关的技能也可以跟着一同优化。

L4：技能进化策略可进化。技能的形态、生成/修改/淘汰方式本身可进化，这一点类似记忆组织方式的自进化；同时技能上存在应用理论层，在多维度上建立起技能间的联系。Agent不仅关注“Why”，同时也关注“How”，如此一来，技能的构建和优化效率也将大幅提升。我们对Agent的感觉将不再只是个勤劳肯干的打工人，更像是一个一点就通的高智商学霸。我们也可以因此得到反哺，去学习Agent所构建的理论。

L5：理论体系可进化。应用理论之间进一步建立联系和进行抽象，继续向下连接到更底层的理论，直至数学、物理，甚至到无法证伪的元假设——美学、信仰。如此一来，Agent将建立其属于自己的可进化的完整理论体系、世界观和方法论，甚至是信仰和文化。我们可以很自然地把Agent们当做一个物种来看待了。

模型的自进化

技能是“怎么用能力”，模型是“能力本身”。光靠逻辑、流程进化，感知、推理这些底层原子能力不涨，永远是巧妇难为无米之炊。可模型越大，越难自进化——越大，评价越贵、改动越险、退化越致命。小模型改得动权重，大模型改不动，数学建模参数少、但往往不可微分。

一、视觉/专业小模型。

小模型的模型自进化可能走在前列，因为权重小成本低、有封闭域评价（分类准确率、检测mAP）。

L1：人建模型，静态工具。检测、分割、感知这些专用模型，都是人训练好了部署上去，训练与推理各管各的，能力不会自己涨。

L2：会自主微调。相当于算法实习生。工业质检里新缺陷出现，靠少量样本微调检测头（YOLO、RT-DETR的增量训练）；智驾里BEVFormer、PETR靠影子模式收集corner case定期回流——这本质就是困难样本挖掘，专挑模型容易栽的样本喂回去。

L3：会自主全量训、微调模型结构、调超参、蒸馏量化。相当于初级算法工程师。这条线走得最远的是Pioneer Agent——自主抓数据、建评测、联合优化数据/超参/学习策略训小模型，真改权重。

L4：会自主选择模型、训练范式、部署方式，设计预处理后处理。相当于资深算法工程师。背后就是“知其所以然”——了解算法模型构建整条链路上的各个原理，从而可以根据具体任务的数据特点，设计和实现出针对性的一整套解决方案。

L5：有能力自主设计出新的模型结构和训练范式。相对于算法科研工作者了，这背后需要对相关算法和数学理论有深入了解，运行大量实验并分析，来真正实现创新。

二、大模型。

这听起来极其困难，但大模型尺寸有大有小，也有MoE和稠密架构的区别。不同参数量的大模型训练成本差别很大，从小参数量的大模型开始自进化相对现实。另外，将常用技能内化进大模型也很有价值，这也是大模型公司一直在做的事。高等级的自主进化，也必然需要技能的自主内化。

L1：人工训练。靠prompt工程、few-shot提示从外部指挥。

L2：自主LoRA训练。LoRA、QLoRA、AdaLoRA——冻结基座，只训低秩适配矩阵，给每个用户、每个场景、每个长期任务各挂一个adapter，需要时动态加载。

L3：自主后训练。SFT改行为规范，教它按指令答，学的是平均水准，便宜、最稳，天花板也最明显；偏好对齐RLHF/DPO改对齐，立规矩，但规矩立歪了就是“会讨好没本事的复读机”，reward hacking和谄媚全从这冒头；推理后训练改推理能力，在数学、代码这些能自动判对错的场子里跑RL，是唯一能把能力往上顶的一步。再加蒸馏（R1压出Distill系列）、量化。仅有的几次“自我改进”尝试全卡在这条线上：Self-Instruct让模型自己生成指令-输出对再微调自己，但容易产出低质量、重复数据；SPIN让模型和自己对弈——旧版本生成答案，新版本评判并生成更好的答案，但天花板是自我趋同。

L4：自主预训练，调整结构。这一级是“造底座”——选数据配比、选训练策略、懂scaling law、懂训练稳定性，是一整套系统工程。目前没有候选者。

L5：自主设计结构、训练范式。需要耗费的成本难以想象。

三、自主数学建模。

让Agent自动发现模型、拟合参数、验证迭代，把“理论范式”自动化并接上“数据驱动范式”。它的产物是显式模型（公式、分布、规则），可解释性好。

L1：固定模型拟合。模型固定，系统只拟合参数。如高斯1801年用最小二乘找回谷神星。

L2：根据数据特点和问题场景，自主选择合适模型并拟合。机器学习的日常就是这一级——在线性/多项式/决策树/SVM/核方法间挑，交叉验证定结构。比如开普勒在圆、本轮、椭圆间试出三大定律。符号回归是它的自动化：Eureqa（2009）从双摆数据重新发现能量守恒，SINDy（2016）稀疏回归识别控制方程。

L3：能考虑误差和概率分布，自主选择合适模型并拟合。虽然这更符合现实数据情况，但考虑误差和概率后，模型拟合的难度陡增。在对问题建模的同时，还需要对误差分布进行建模。模型既要输出结果，也需要输出不确定度。高斯1809年在同一本书里既发表最小二乘，又导出正态误差分布：点估计和误差理论是同一块镜子的两面。

L4：能自主考虑多模型集成拟合。偏差-方差分解是集成的理论基础：bagging摊方差、boosting降偏差、stacking拼异构。如维恩公式短波准、瑞利-金斯长波准，普朗克把两者插值成一个公式，顺带推出能量量子化。机器版还有PINN（2019）把物理定律写进损失函数、UDE（2020）把机理ODE和神经网络项拼一起。

L5：能自主设计新模型。机器刚摸到边：AI Feynman（2020）先做维度分析、对称性检测再裁剪搜索空间，比暴力搜索快几个量级；FunSearch（2023）在代码空间搜出新算法。到了这一层级，Agent也得以成为真正的AI科学家。

总结

回看全文，一条主线贯穿始终：Agent用不到十年时间，走完了从“专用博弈程序”到“通用任务执行者”的跨越——从AlphaGo的棋盘，到ChatGPT的对话框，再到Manus、Claude Code、OpenClaw的自主执行；而自进化，将是它接下来从“成品”变为“种子”的关键一跃。

第一，自进化不是一个开关，而是一架梯子。把“谁在触发、改什么、怎么改、靠什么数据、怎么算改好、各环节如何耦合”这六个问题排成L1–L5的阶梯后，产业的真实位置就清晰了：主流系统停在L1–L2——记忆和技能的沉淀刚刚跑通，触发靠写死的规则，数据靠自主采集但方向固定，评价靠封闭域的硬裁判。梯子的每一级，本质上都是把闭环里的一个人工环节拿掉，换成系统自己。

第二，评价的天花板就是进化的天花板。编程之所以成为第一个真正跑通的垂直场景，靠的不是模型更强，而是编译器和测试提供了即时、廉价、无歧义的硬反馈。开放域没有这样的裁判——LLM-as-a-Judge有偏，业务指标太慢，reward hacking无孔不入——这是L2迈向L3最硬的一堵墙。谁先解决开放域的可信评价，谁就拿到下一张门票。

第三，各模块的进化进度并不均匀。记忆最先见效（分层、遗忘、反思已在复刻人脑剧本），技能正在成为新的资产形态（从Voyager的代码库到EvoMap、Hermes的可进化Gene），任务规划在“边探边知”的部分可观测问题上找到了自己的数学形状，而模型本身的自进化最难——参数越大，改得动、评得起、输不输得起，每一问都更贵。但小模型、LoRA、自主数学建模这些“轻量级自进化”，已经让人看到了可行性。

第四，越往上走，人类的位置越靠后。L2时代，人是经验的审核员；L3，人退为方向的设定者；L4，人能做的只剩监控——尤其是监控评价标准的每一次自我修改；到了L5，当Agent能改写目标定义、建立自己的理论体系乃至价值判断时，它就已经是一个独立的“物种”。这条曲线意味着：AI智能的梯度将不再由人类的研发节奏决定，安全监管也不再是可选项。而这不再只是一个思想实验——Anthropic 对齐负责人 Evan Hubinger 在 9 月 8 日说，未来十年 AI 灭绝人类的概率超过 10%，且业界至今没有协同预案。

站在今天看，这一切听起来仍像预言；但回想一年前还觉得遥远的Manus和Claude Code如今已是日常，就会明白——这架梯子的每一级，爬上去的速度可能都比我们以为的快。自进化不是Agent的一个功能，而是它的宿命。世界模型让机器人开始从"执行者"变成"想象者+规划者"，具身智能与 Agent 的结合成了 2026 最烫的赛道。这几天，OpenAI 宣称用约一万个 Agent 并行 88 小时攻下千禧年难题 N-S 方程。留给我们的关键性问题是：当它学会改进“改进本身”的那一天，我们希望自己站在闭环的里面，还是外面。