AgentEvolver 发布：任务执行中自进化，SWE-bench Pro …
论文AI 评分 78/100arXiv cs.AI待复核
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。
一篇 arXiv 论文提出 AgentEvolver，让智能体在执行任务的过程中积累可复用能力，同时保持基础模型不变。系统把可复用操作、方法、智能体、控制流、接口与支撑状态等八类实体纳入统一的版本化生命周期，由共享 Runtime 协调，并用持久化规划与可恢复上下文保留任务方向与证据。在 SWE-bench Pro Public 上，团队报告带进化时解决率为 82.08%，高于其报告的无进化基线；六个应用案例显示能力被保留并进入后续网站、游戏与研究工作，同时也记录了未完成目标与一次失败策略。论文指出，可复用组件的改进与最终任务成功是两回事，独立任务迁移与总开发成本仍未解决。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载任务执行中积累能力
AgentEvolver 把能力培养放在任务执行的过程里，同时让基础模型保持不变。它的出发点是一个区分：智能体可以把一件事做完，却未必因此改变自己做事的方式。要让任务经验变成可复用的能力，需要把被改动的组件与它的评估、以及后续的使用连接起来。系统为此让八类实体家族把可复用的操作、方法、智能体、控制流、接口和支撑状态都暴露出来，接受修订，并走一条共同的带版本的生命周期。共享的 Runtime 负责协调正在进行的工作，持久化的规划与可恢复的上下文则用来保住任务方向以及支撑性证据。
评测与案例观察
在评测上，团队在 SWE-bench Pro Public 上考察任务结果，并在六个应用案例中观察能力的变化。团队报告称，带有进化机制时的解决率超过了其报告的不带进化机制的基线。案例显示，被保留下来的能力进入了之后的网站、游戏与研究工作，同时也记录下了未完成的目标和一次不成功的策略。这些发现把可复用组件上的改进与最终任务上的成功区分开来。
适用范围与未决问题
AgentEvolver 为研究通过执行实现能力积累提供了一个具体的基础。论文同时指出，独立任务之间的迁移以及总的开发成本，仍然是悬而未决的问题。这意味着系统展示的是在任务执行过程中形成并保留能力的路径，而不是对所有任务都成立的通用结论；能力能否跨任务迁移、以及为此付出的整体代价，都还没有答案。
为什么值得看
给出「不改基础模型、靠执行积累能力」的具体系统设计与 SWE-bench Pro 数字，并诚实标注失败案例与未解问题。
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。