Darwin-Claw：面向自进化智能体的环境自适应经验整合框架
论文AI 评分 72/100arXiv 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。
arXiv 收录论文 Darwin-Claw，针对 LLM 智能体多在孤立会话中运行、无法从历史交互持续学习的问题，提出环境自适应自进化框架。该框架不再把原始交互轨迹直接注入记忆或技能模块，而是通过分层经验整合系统提取细粒度错误归因，并泛化为动态更新的原型向量，作为上下文感知的交互补丁与技能优化的显式信号。方法基于智能体-执行者与进化者-评论者的迭代协同适应，无需人工整理，可与主流智能体系统配合部署。作者在 WildClawBench 上报告了显著性能提升。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
论文指出，LLM 智能体虽在复杂任务上表现突出，但通常运行在彼此隔离的会话中，既不能从过往交互里持续学习，也难以适配特定用户的环境。已有的自进化范式往往不加区分地把原始交互轨迹塞进记忆或技能模块，结果是行为模式被淹没，更新过程的可控性下降。作者还提出一个判断：随着基础模型推理能力增强，智能体进化的瓶颈已从积累通用知识，转向有效管理情境经验。
框架怎么做的
Darwin-Claw 的设计是把片段式经验系统性地蒸馏出来，用于驱动操作技能与持久记忆的整体演化。理论上它建立在智能体-执行者与进化者-评论者的迭代协同适应之上；工程上引入分层经验整合系统，从交互中抽取细粒度的错误归因，再把这些归因泛化成动态更新的原型向量。这些结构化的情境经验有两个用途：一是充当交互补丁，支撑对上下文敏感的感知；二是作为显式优化信号，用于技能细化。作者强调该框架可自动化运行，不需要人工整理，并能与主流智能体系统兼容部署。
实验与定位
验证工作在 WildClawBench 上完成，论文称 Darwin-Claw 带来显著性能提升，并把它描述为一条可控、稳定的路径，用于自主智能体在真实生态中持续进行以用户为中心的适应。材料未披露具体基准分数、对比基线、参数量或开放范围，因此提升幅度的量化细节需查阅原文。整体看，这是一篇方法类论文，重点在经验整合机制与更新可控性，而非新模型发布。
为什么值得看
把智能体自我进化从堆知识转向管理情境经验，给出可部署、无需人工标注的经验整合路径，关注智能体长期学习的读者可看。
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。