ScholarEvolve框架利用前沿文献驱动智能体架构终身进化
论文AI 评分 72/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对语言智能体持续改进需求，ScholarEvolve框架提出在固定底层大模型的前提下，通过自动引入前沿研究文献来指导智能体架构（即管理工具、记忆与任务执行的软件）的进化。该框架将进化方向划分为功能模块，运用主题建模为各模块识别改进策略，实施并组合评估以提升任务表现，且能随时间纳入新论文实现主动终身进化。实验显示，在AppWorld Challenge上，Qwen3.5-27B任务完成率从49.6%升至63.6%；在Tau2-Bench Telecom上，GPT-5.4-mini的pass@1从72.7%升至81.9%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载架构进化的动机与局限
随着语言智能体面临任务复杂度攀升，持续改进成为刚需。一种可行路径是在底层语言模型不变的情况下，进化智能体架构——即负责工具调用、记忆管理与任务执行的软件。现有自动化方法多依赖元编码智能体依据执行反馈修改架构，但这受限于该智能体既有知识与已观测失败，导致探索受限且适应呈被动反应式。
文献驱动的进化机制
受人类专家从研究文献获取新方案的启发，ScholarEvolve框架自动抽取前沿论文来引导架构进化。它把架构进化方向拆解为多个功能模块，借助主题建模为各模块锁定差异化改进策略，随后落地实施并评估策略组合效果。该机制能随时间推移不断吸纳新发表论文，促使研究进展驱动智能体进行主动的终身进化。
基准测试提升效果
在AppWorld与Tau2-Bench两个基准上的实验验证了该框架有效性。具体而言，针对AppWorld Challenge，Qwen3.5-27B的任务目标完成率由49.6%跃升至63.6%；针对Tau2-Bench Telecom，GPT-5.4-mini的pass@1指标由72.7%增长至81.9%。这表明引入学术文献能显著增强智能体在复杂任务上的表现。
为什么值得看
突破仅依赖执行反馈的被动适应局限，实现用学术文献驱动智能体架构主动进化，显著提升复杂任务完成率。
GPTQwen大模型智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。