当前大模型虽能力强大，但部署后几乎不会从经验中学习。这项研究突破性提出Evo-Memory框架，让AI智能体在使用中持续积累经验、优化记忆，实现跨任务的自我进化，解题步骤因此能减少近半，更贴近真实世界的长期运行需求。
智能速览
中科大校友提出Evo-Memory框架，让AI在使用中自我进化。
该技术能显著提升解题效率，步骤数减少近一半。
AI学会自我优化记忆，主动整理经验，避免被无用信息干扰。
框架包含ExpRAG和ReMem两种核心方法，协同实现思考、行动与记忆管理。
此项研究聚焦于AI长期运行中的持续学习能力，更贴近真实应用场景。
精华内容
传统AI模型部署后能力固定，而这项研究让AI能在使用中持续学习、自我进化，实现越用越聪明。
何为测试时进化
这项成果的核心在于定义并评估了大模型智能体的“测试时进化”能力。这意味着在不改变模型训练参数的前提下，AI智能体通过自我演化，能在跨任务、跨时间的使用过程中持续改进。传统评测常将AI视为一次性系统，但现实中的智能体需要长期运行，不断修正和学习，而这项研究正是为了解决这一根本性差距。
效率飞跃的实证
为了验证效果，研究团队设计了包含十多种挑战的基准测试。在一个虚拟任务中，应用该技术的AI完成步骤从平均22.6步锐减至11.5步，效率提升显著。这表明AI通过经验学会了更优的解题路径和方法，而非简单重复。即使任务难度突变或记忆中混入失败经验，进化后的AI也能保持稳定表现。
记忆优化的核心
框架包含两种关键方法。ExpRAG如同一个“错题本”，让AI在遇到新问题时，检索旧有经验并协同思考。ReMem则为AI装上“三核处理器”：思考负责任务规划，行动负责执行，而全新的记忆整理核则实时判断、合并或删除记忆，确保记忆库始终高效。这三者协同工作，让AI实现边用边学。
挑战与未来展望
研究也揭示了挑战。例如，若记忆模块设计不当，错误经验会随时间积累，反而降低效果。此外，现有方法在不同数据集上的稳定性仍有待提升。研究者认为，这预示着巨大的提升空间，未来需要更深入的分析实验，触及问题的本质层面，才能让AI的自我进化能力更上一层楼。
这项研究为AI智能体从“一次性工具”向“持续进化的伙伴”转变迈出了关键一步，系统性地解决了其在长期使用中的经验学习难题。随着技术的深入，我们离创造出能真正在真实世界中越用越聪明的AI还有多远？
