AI Agent 的自我进化常因无约束修改而陷入指令漂移或功能崩坏。EvoFSM 框架提出了一种新思路，通过结构化的有限状态机（FSM）来管理进化过程，将宏观流向与微观技能解耦，让 Agent 在安全边界内实现真正的智能优化。
智能速览
无约束的自我进化易导致 Agent 指令漂移和功能崩坏。
EvoFSM 的核心是将 Agent 进化解耦为 Flow 和 Skill 两个维度。
通过有限状态机（FSM）为 Agent 行为提供确定性边界。
进化仅通过原子操作进行，并由 Critic 机制评估触发。
自进化记忆模块会复用成功策略，避免从零开始。
精华内容
EvoFSM 究竟如何实现“结构化即自由”？其核心在于三大设计，共同构建了一个既稳固又灵活的自进化系统。
状态机构建
EvoFSM 的第一步是初始化一个有限状态机（FSM），将复杂的检索推理过程建模为清晰的图结构。这个 FSM 定义了 Agent 的所有可能状态（如搜索、浏览、验证）以及它们之间的跳转逻辑，为整个系统的行为提供了确定性的边界。这相当于为进化搭建了一个稳固的基座，确保无论后续如何调整，Agent 的核心框架不会崩溃。
局部调优
与传统方法允许 Agent 随意重写代码不同，EvoFSM 的进化是高度受限的。它只允许通过一组预定义的原子操作进行修改，例如 ADD_STATE（增加状态节点）、MODIFY_TRANSITION（调整状态转换逻辑）和 REVISE_INSTRUCTION（微调节点执行指令）。同时，一个 Critic 机制会持续评估执行结果，当发现问题时，会自动触发相应的原子操作进行精确修补，实现了局部、可控的进化。
经验复用
系统内置了一个自进化记忆模块，扮演着经验池的角色。当 Agent 成功完成一项任务时，其策略路径会被提炼为“先验知识”存入记忆池；当执行失败时，错误的路径则被记为“约束条件”。当遇到类似新任务时，Agent 能够直接从记忆中调用成功的经验并避开已知的陷阱，显著提升了学习效率和决策质量，实现了站在“过去肩膀上”的智能进化。
EvoFSM 为 Agent 的自我进化难题提供了一套兼具稳定与灵活的工程范式。它用结构化的自由，规避了无约束修改带来的风险。这种思路或许会成为未来构建可靠高级 AI 的重要基石，但其通用性和效率仍需更多实践检验。
关键评论
有网友认为，当前 Agent 领域的许多论文思路相似，存在内容灌水的现象。
