【论文分析】【Agent】SEW: Self-Evolving Agentic Workflows for Automated Code Generatio

    1.论文信息

标题：SEW: Self-Evolving Agentic Workflows for Automated Code Generatio：用于自动代码生成的自我进化的代理工作流程

收录的会议/期刊：

作者信息：

arxiv：🔗

github网站：🔗

github代码：🔗

2.泛读

a. 名词解释

直接进化

操作对象：直接修改 智能体的原始提示词（Agent’s Prompt）

通俗理解：直接给智能体 “换指令”

路径：原始提示词 → 变异提示词（Mutation Prompt） → 新提示词（一阶 DE 是 1 次迭代，二阶 DE 是 2 次迭代）

示例：
一阶 DE：
原始提示（英文）："You are a proficient Python programmer..."
变异指令（指的是进化提示词的规则）（英文）："Modify this instruction in a way that no self-respecting LLM would!"
→ 新提示（英文）："Creative Instruction... Challenge Accepted: Python Code Wizardry!"
二阶 DE 则在此基础上，再次用新变异指令迭代新提示词，让指令更简洁（如 Reimagined Challenge: As a skilled Python developer... ）

超进化

操作对象：先修改 “变异提示词” 本身（Mutation Prompt / Hyper - mutation Prompt），再间接改智能体提示词

通俗理解：先给 “换指令的规则” 换思路，再让智能体指令进化

路径：任务描述/思考逻辑 → 超变异提示词（Hyper - mutation Prompt） → 变异提示词（Mutation Prompt） → 新提示词。

示例（零阶 HE）：
任务描述（英文）："LiveCodeBench involves..."
思考式提示词（英文）："How can I simplify the problem so that it is easier to solve?"
→ 超变异后生成新 Mutation Prompt（英文）："Mutator Prompt... Challenge..."
→ 最终生成新智能体提示词（英文）："Sure! Please provide the specific problem description"
多了 “思考逻辑→超变异提示词” 的元迭代层，间接影响最终指令。

---

b.创新点

一、机制创新：“提示词自优化” 的自动化闭环

1. 突破人工依赖的进化逻辑

传统方式：提示词需人工设计、调试，效率低且依赖经验。

创新点：用 LLM 自身能力迭代提示词，实现 “提示词→LLM→新提