当前基于大语言模型的智能体在部署后能力固化，难以适应新环境。一种新的分层自进化框架正在改变这一现状，它通过多智能体协作，让AI能够在失败中自主学习和进化，持续提升解决复杂问题的能力，为通往通用人工智能提供了实用路径。
智能速览
当前LLM智能体本质是静态的，缺乏自主进化能力。
新框架集成了多种LLM，通过分层协作实现持续适应。
任务失败会触发三阶段进化：工具合成、课程学习和奖励学习。
实验显示，不同进化范式各有优势，CL泛化快，RL擅长高难度任务。
所有进化后的智能体性能均显著超越原始版本。
精华内容
这种自进化框架如何运作？它又是如何让智能体在失败中成长的？下面将深入剖析其核心机制与实验结果。
静态瓶颈
目前主流的基于大语言模型的智能体，尽管功能强大，但在部署后其架构、工作流和推理能力基本是固定的。这种静态特性使其无法适应动态变化的环境或处理超出预设能力的复杂任务，限制了AI向更高阶智能发展的可能。
分层架构
为突破静态限制，研究提出了一种分层多智能体框架。该架构包含四个核心组件：一个负责问题分解与任务路由的基础LLM，一个执行具体任务的轻量级操作SLM智能体，一个能按需生成新工具的代码生成LLM，以及一个负责驱动优化的教师LLM。它们共同构成一个动态协作的生态系统。
进化机制
该框架的进化机制是分阶段触发的。当智能体尝试解决任务失败时，首先会请求代码生成LLM合成所需的新工具。如果使用新工具后依然失败，系统将启动更高阶的进化模式，根据情况自动选择课程学习（CL）、奖励学习（RL）或遗传算法（GA）来优化智能体的核心能力。
性能验证
在包含分层任务的TaskCraft数据集上，实验结果验证了框架的有效性。课程学习（CL）展现出最快的收敛速度和最强的泛化能力。奖励学习（RL）在处理最高难度的任务时表现最佳。遗传算法（GA）则贡献了最丰富的行为多样性。所有经过进化机制的智能体，其成功率均显著优于未进化的原始版本。
该研究为构建真正自改进的智能体系统奠定了基础，是向自主人工智能迈出的重要一步。未来，如何确保这种自主进化过程的安全性与对齐，将是值得深入探索的关键问题。
