传统LLM Agent工作流固化，难以应对动态环境。本文提出"Self-Evolving AI Agents"新范式，让智能体像生物一样在与环境交互中自主优化结构，实现终身学习。文章介绍自演化三定律（安全稳定、性能提升、自主优化），提出统一框架（系统输入、智能体系统、环境反馈、优化器），并详细阐述单智能体、多智能体及垂直领域的演化方法，为构建能持续进化的AI系统提供全面指导。
传统 LLM Agent 的工作流一旦部署，提示词、工具、记忆、协作拓扑全部固化。面对动态环境（新 API、新法规、新用户意图），只能人工硬编码——成本高、迭代慢、不可持续。
智能体演化与优化技术分三大方向： 单智能体优化、多智能体优化和领域专用优化
这篇 55 页综述首次系统提出 “Self-Evolving AI Agents” 新范式：
让 Agent 像生物一样，在与环境的持续交互中自主优化自身结构，实现终身学习（Lifelong Learning）。
图 1 演化四阶段
图 1：从离线预训练（MOP）到多智能体自演化（MASE）的 4 阶段演进
四种以LLM为核心的学习范式对比
三定律：自演化 Agent
借鉴阿西莫夫三定律，提出 Self-Evolving 三定律：
| 定律 | 内容 | 优先级 |
|---|---|---|
| Endure | 任何修改不得破坏安全与稳定 | 最高 |
| Excel | 在确保安全的前提下，性能只能升不能降 | 次高 |
| Evolve | 满足前两条时，必须能自主优化内部组件 | 最低 |
三定律被形式化进优化目标函数，作为硬约束贯穿整篇综述。
统一框架：把“演化”抽象成四大模块
给出一张“万能闭环图”，任何自演化系统都可拆成 4 个可插拔模块：
图 3 概念框架
图 3：系统输入 → 智能体系统 → 环境反馈 → 优化器 → 回到系统
| 模块 | 职责 | 示例 |
|---|---|---|
| System Inputs | 定义任务/数据/约束 | 金融问答、代码修复 |
| Agent System | 被优化的“本体” | LLM + 提示 + 记忆 + 工具 |
| Environment | 提供可量化反馈 | 单元测试结果、人类评分 |
| Optimiser | 搜索更好配置 | 贝叶斯优化、RL、进化算法 |
智能体自演化方法的完整层次化分类，涵盖单智能体、多智能体与领域专用优化三大类别
单智能体演化：从提示、记忆到工具
单智能体优化方法概览
1 提示词自己写自己：Prompt Optimisation
- Edit-Based：GRIPS 做短语级增删改
- Generative：OPRO 让 LLM 一次性生成全新提示
- Text-Gradient：TextGrad 把“自然语言批评”当成梯度
- Evolutionary：PromptBreeder 维持一个“提示种群”不断变异
2 记忆不再“金鱼”：Memory Optimisation
| 短程记忆 | 长程记忆 |
|---|---|
| 递归摘要、动态过滤 | 外挂向量库、知识图谱、遗忘曲线 |
代表工作：MemGPT、HippoRAG、A-MEM、MemoryBank
3 工具“自生”：Tool Optimisation
- Training-Based：ToolLLM、Confucius、ReTool（用 RL 学调用）
- Inference-Time：EASYTOOL 把 100+ API 文档压缩成 1 句人话
- Tool Creation：CREATOR、LATM、Alita——直接让 Agent 写代码造新工具
多智能体演化： topology 也能“长”出来
手工设计协作流程太贵，于是：
图 6 多智能体优化全景
图 6：多智能体工作流搜索空间 vs 优化算法 vs 目标（准/快/省/安全）
| 演化维度 | 做法 | 代表 |
|---|---|---|
| Prompt 级 | 多 Agent 提示一起搜 | DSPy、AutoAgents |
| Topology 级 | 把“谁跟谁说话”变成可微边 | GPTSwarm、DynaSwarm、G-Designer |
| 统一联合 | 提示 + 拓扑 + 工具同时搜 | ADAS、EvoFlow、MAS-ZERO |
| Backbone 级 | 用对抗轨迹继续 SFT/RL | MaPoRL、OPTIMA、Sirius |
垂直领域演化
| 领域 | 关键约束 | 演化技巧 |
|---|---|---|
| 医疗诊断 | 法规、多模态、不确定性 | 多 Agent 模拟会诊、症状树动态更新 |
| 分子发现 | 化学符号合法性 | 接入 RDKit、失败反应写进记忆 |
| 代码生成 | 单元测试即奖励 | Self-Edit、PyCapsule、OpenHands |
| 金融投研 | 实时性、合规 | 情绪 Agent + 检索 Agent + 风控 Agent 联合演化 |
https://arxiv.org/pdf/2508.07407
可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️
【大模型全套视频教程】
教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。
从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。
同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！
深耕 AI 领域技术专家带你快速入门大模型
跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！
【精选AI大模型权威PDF书籍/教程】
精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。
【AI 大模型面试题 】
除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。
【大厂 AI 岗位面经分享（92份）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
【640套 AI 大模型行业研究报告】
【AI大模型完整版学习路线图（2025版）】
明确学习方向，2025年 AI 要学什么，这一张图就够了！
👇👇点击下方卡片链接免费领取全部内容👇👇
抓住AI浪潮，重塑职业未来！
科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。
行业趋势洞察：
- 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
- 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
- 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。
与其观望，不如行动！
面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。
01 为什么分享这份学习资料？
当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。
因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！
我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。
*02 这份资料的价值在哪里？*
专业背书，系统构建：
-
本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：
-
- 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
- 拥有多项中美发明专利。
- 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。
-
目前，我有幸与鲁博士共同进行人工智能相关研究。
内容实用，循序渐进：
-
资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。
-
包含丰富的视频教程与实战项目案例，强调动手实践能力。
-
无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。
抓住机遇，开启你的AI学习之旅！
扫一扫
5439
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
