【新智元导读】在AI浪潮席卷全球的2025年，大语言模型（LLM）已从单纯的聊天工具演变为能规划、决策的智能体。但问题来了：这些智能体一旦部署，就如「冻结的冰块」，难以适应瞬息万变的世界。试想，一个客服智能体面对突发的新产物政策时束手无策，或一个科研助手忽略了最新发表的算法——这样的场景，不仅低效，还可能酿成灾难。近期，格拉斯哥大学、剑桥大学、谢菲尔德大学、新加坡国立大学、UCL等机构的学者发布了最新综述，系统梳理了AI智能体自进化的核心框架与挑战，并为研究者提供了一套清晰可落地的研发路线图。 LLM驱动的AI智能体已展现出惊人潜力：它们以LLM为核心，集成感知模块（处理文本/图像/音频/视频）、规划模块（如链式思考CoT或树式思考ToT）、记忆模块（短期上下文存储与长期知识检索）和工具模块（调用API如搜索引擎或代码执行器）。 在单智能体系统中，这些组件协同工作，处理从网页导航、代码生成、投资辅助到生物医学分析的任务。而在多智能体系统（MAS）中，智能体间通过协作（如辩论或任务分解）攻克复杂问题，模拟人类团队的群体智能。 论文直击这一痛点，引入「自进化AI智能体」（Self-Evolving AI Agents）的概念：这些系统通过与环境的持续交互并获得反馈，自主优化内部组件，目标是适应变化的任务、上下文和资源，同时确保安全、性能提升和自主性。 Evolve（自主进化），在前两定律基础上，自主优化内部组件以适应任务、环境或资源变化。例如，金融 AI 智能体需自主调整分析模型，应对市场突发波动。 论文进一步描绘了LLM终身学习的范式，传统AI系统往往是 「一次性产物」：训练完成后就固定不变，面对动态环境时需要人工重新配置。 表1详细对比了四个范式：MOP的交互仅限于静态数据和损失函数；MASE则通过环境信号驱动行为优化、提示词优化等技术。这不仅仅是技术升级，更是范式革命——AI从「一次性训练」转向「终身学习」. 系统输入（System Inputs）：包括任务描述、训练数据集或具体实例（如输入-输出对），定义优化边界。任务级优化针对整体性能，实例级则细化单个案例。 智能体系统（Agent System）：核心执行者，可单智能体或多智能体形式，涵盖LLM、提示词、记忆、工具、工作流和通信机制。优化可针对单个组件（如提示词）或联合（如提示词+拓扑）。 优化器（Optimisers）：大脑中枢，通过搜索空间（e.g.,提示词模板、工具选择）和优化算法（规则启发式、梯度下降、贝叶斯优化、MCTS、RL或进化策略）更新系统，寻找最佳配置。 例如，一个代码生成智能体的进化过程可能是：输入「提升 Python 代码调试效率」的任务→智能体尝试不同的工具调用策略→在真实代码环境中测试（环境）→优化器根据调试成功率调整策略→迭代升级。 医疗诊断智能体可整合多模态数据（如影像、病历），例如 MDTeamGPT 模拟多学科会诊，通过反思讨论提升诊断准确率；分子发现智能体通过工具调用（如化学模拟软件）设计新药分子。 编程：代码优化智能体能自主调试、重构代码，例如 Self-Debugging 通过执行轨迹反馈修正错误；多智能体协作（如 「程序员 - 测试员」 分工）提升开发效率。 金融与法律：金融智能体可结合市场动态与政策调整分析模型，法律智能体能模拟法庭辩论，通过对抗式进化提升推理严谨性。 自进化的强大，也意味着更高的不可控风险。论文指出，在高自治度的智能体中，安全、合规与可信评估必须是「内建」的，而非「附加」的。 例如，AgentHarm 等基准测试揭示了模型在多轮交互中被引导执行恶意任务的可能性；R-Judge等方法则利用智能体充当评估者，对其他智能体的行为进行批判性审查。 自进化AI智能体的故事，才刚刚开始。虽然它们已经能在多个领域「上场打比赛」，但要实现真正的终身进化，还有不少硬骨头要啃。这些挑战可以用三个关键词概括：持久（Endure）、卓越（Excel）、进化（Evolve）。 现有优化方法更多关注「分数高不高」，而忽视了「会不会出事」。比如，模型在演化中可能出现隐私泄露、目标跑偏等风险，而现有法规（如 EU AI Act、GDPR）都是按「静态模型」写的，根本没考虑会自己变的系统。 奖励模型如果数据少、反馈噪声大，很容易导致智能体行为不稳定，甚至出现意料之外的错误。就像开车时方向盘太灵敏，一点点抖动就会偏航。 现实世界不仅有文字，还有图像、视频、传感器数据等，智能体要学会在这些信息中建立自己的「世界模型」，并具备时间和空间的推理能力。 换言之，普林斯顿的综述更像一幅宏观地图，展示了「自进化智能体」可能的未来方向；而格拉斯哥的综述更像一套操作指南，体现出当下研究者如何将自进化智能体真正落地。两者相互呼应，共同勾勒出这一新兴领域的理论图景与实践路径。
