Strategist：用元智能体进化推理策略并跨任务积累
🧭 Agent 推理策略自动搜索与库积累 ★ 深度解读
Princeton University · Meta
将推理策略写成可复用蓝图并跨任务搜索积累，在 30 个基准上以 39% 更低成本匹配最强基线
📌 工作参考价值（4 点）
- 电商/推荐 Agent 工作流可把「意图识别→召回→精排→解释/文案」抽象成 Blueprint 库，让 LLM 按小样本和成本约束自动搜索、组合策略，而不是每个场景人工写 prompt/agent；只换任务化 prompt，结构跨场景复用。
- 借鉴多层级路由：Amazon-Rec 的发现策略只在「偏好漂移」用户上触发 multi-agent debate，其他用户走 cheap profile/signal path。业务上可对高价值或高不确定性 case 单独路由到强模型/复杂流程，避免全局高成本。
- 评测与上线选择：用 train/validation/hidden/test 四段隔离防止策略搜索过拟合；最终选择规则要求 accuracy 或 cost 至少一个显著改善且另一个不恶化，否则回退 BL。可作为内部 Agent 策略自动筛选标准。
- 跨模型迁移：在 Qwen3 上搜索到的策略不改代码迁移到 GPT-5/Gemini 仍有效，说明搜的是任务结构而非后端特性。业务可用廉价模型搜索工作流，再迁移到更强商业模型，降低搜索与试错成本。
保守元代理搜索：非平稳环境下的架构自适应
🧭 元代理架构搜索与在线自适应
CMAS通过保守提升、切换成本与风险约束降低在线架构搜索的回归与成本，在96个流上优于最强自适应基线
📌 工作参考价值（4 点）
- 在线架构变更采用“影子回放”评估：用共同随机数重放历史流量，对新旧架构计算配对分数，能显著减少评估噪声，适合在电商推荐、广告投放等延迟反馈场景中做 A/B 测试前的离线消融。
- 提升门槛加入方差惩罚和切换成本：只有显著优于现任方案才允许上线，避免频繁替换导致系统不稳定。可直接借鉴到电商 Agent 工作流的组件升级策略。
- 模拟金丝雀阶段与自动回滚：小流量试运行并预设指标阈值，失败自动回滚，降低线上风险。适合部署生成式推荐或广告文案生成等高风险模块。
- 当新增组件不贡献价值时收缩到最小有效团队，定期剪枝，可减少推理成本与维护复杂度。
RSIFlow：自适应自改进工作流与演化元Agent
🧭 Agent 递归自改进与元演化 ★ 深度解读
Beihang University · Tsinghua University · Beijing Academy of Artificial Intelligence (BAAI)
提出 RSIFlow，将自适应工作流编排与元Agent harness 演化耦合，动态诊断瓶颈并更新模型/框架/工件，6基准11/12领先
📌 工作参考价值（4 点）
- 将搜索推荐系统中的多类组件（召回/排序/重排模型、prompt/规则、索引/内容/策略配置）抽象为 Model/Harness/Artifacts 三种可更新目标，由 Meta-Agent 根据线上失败轨迹和 A/B 反馈诊断瓶颈，动态选择“微调模型 / 改 prompt 或规则 / 修内容或索引”，避免固定优化路径。
- 借鉴 Harness 三组件抽象 Action/Skill/Planning 管理推荐 Agent 的 prompt 与工具调用规则；用结构化技能库存储“当出现 XX 失败时→修改 YY→保留 ZZ”的经验，通过 Add/Supplement/Revise/Merge 持续维护，降低重复调优成本。
- Meta-Agent 模型参数冻结、只更新其 harness（提示词/技能库/规划规则），能以较低成本迭代编排策略；在需要频繁调整策略的广告投放、活动选词、push 文案场景尤其适用。
- 采用“所有候选共享同一 parent + 统一评估 batch + 正增益才接受”的批量更新策略，可防止无效更新累积，并让失败尝试也作为负证据进入经验库，提升更新稳定性。
EAU：环境-智能体-用户共同进化训练用户中心智能体
🧭 用户中心 Agent RL 训练环境协同进化 ★ 深度解读
University of Alberta · National University of Singapore · Kuaishou Technology · Alberta Machine Intelligence Institute (Amii)
提出 EAU 元代理框架，在 RL 训练中在线诊断并修改用户模拟器、环境奖励与超参，实现三者协同进化
📌 工作参考价值（4 点）
- 用户模拟器不稳定是对话式推荐/客服 RL 训练的常见痛点：可借鉴 symbolic user 规则化控制信息揭示，与 LLM 模拟器按比例混合，获得稳定训练信号同时保留自然交互多样性。
- 训练中让 meta-agent（或自动脚本）监控 rollout 日志、检测 deadlock/信息泄露/reward hacking，并热修复奖励规则或环境约束，避免重启；工程上可将 user simulator、reward scale、max steps 等做成可编辑配置，支持在线调整。
- PPO 训练对话 agent 时，critic 和 GAE 只计算 action tokens 的 advantage，防止 observation 文本稀释学习信号；这一实现细节可直接复用于多轮对话策略优化。
- 跨 run 经验池：把每次训练发现的修改和效果记录下来供后续 run 复用，可加速迭代，适合业务中反复训练 agent 的场景。
PhysEvo：让 Astra 行动，物理递归自改进框架
🧭 具身智能 · 递归自改进 Agent
University of Chinese Academy of Sciences · Institute of Automation, Chinese Academy of Sciences · Tsinghua University · Independent Researcher
冻结模型上通过元代理诊断失败、修订工具与技能，大幅提升机器人操作成功率
📌 工作参考价值（4 点）
- Agent 自改进闭环可迁移：将执行轨迹作为诊断数据，让 meta-agent 分析失败原因、生成工具/技能修订，再通过测试验证后保留，这套「执行-诊断-修订-验证-保留」流水线可直接用于推荐/搜索 Agent 的策略迭代，无需更新底层 LLM 权重。
- 工具层迭代优于模型层重训：PhysEvo 证明在冻结模型上只改工具和技能就能显著提升成功率，对业务 Agent 来说，维护可复用的工具库和技能模板，比频繁微调模型更经济、更可控。
- 测试驱动修订：meta-agent 会先测试候选修订再决定保留，避免把坏的工具引入生产环境；在推荐 Agent 中可以对新的召回/排序工具进行离线评估或 A/B 测试后再上线。
- 可复用技能沉淀：修订后的技能被保留并支持后续任务，类似推荐系统的可复用策略模块，如用户意图识别、动态 query 改写等，通过累积有效修订形成领域知识库。
无大纲学习：任务无关的环境预处理
🧭 Agent 任务无关环境预处理 ★ 深度解读
Scale AI · University of Maryland, College Park
提出任务无关环境预处理框架，meta-agent 在无下游任务信息下探索环境生成可复用工件，5/6 基准优于固定流程
📌 工作参考价值（4 点）
- 面对新业务环境（新商品库、新 API 工具、新文档系统）时，可在离线 stage 用 meta-agent 做环境探索与预处理，生成索引、技能手册或 playbook，而不必等具体任务/用户 query 分布确定；把线上多次采样成本转移到一次性研究阶段。
- 对异构工具/语料不必固守单一预处理策略：维护一个 workflow archive（包含索引构建、合成实践、技能抽取等），让 meta-agent 根据环境特征自行组合；例如大语料检索用固定 CORPUS2SKILL 管线，工具环境用 PREPING 类合成实践。
- 不要迷信研究预算或探索广度：预算增加不总能提升下游 reward，更广泛文件探索未必有效；应监控 artifacts 对下游任务的边际收益，并注意工件可能误导 solver（如引导到不完整索引），需要验证与回滚机制。
- 在推荐/搜索冷启动场景下可借鉴 task-agnostic 预处理：无历史行为或标注时，先对环境/语料/工具生成通用辅助（如商品知识图谱、导航树、脚本），待有反馈后再做 task-informed 微调，形成两级适应。
Eureka：面向科学发现的任务条件化元智能体编排
🧭 Meta-Agent 任务条件编排与自演化 ★ 深度解读
ManXis · Guangdong University of Technology · South China Normal University · Shanghai Jiao Tong University · Duke University
提出任务条件的 Meta-Agent 架构，动态编译义务图并形成专门代理，通过治理式演化完成长程科学发现
📌 工作参考价值（4 点）
- 动态义务图 + ready frontier 调度：在电商多 Agent 场景（如大促策划、商品打标、广告文案生成）中，避免一次性完整规划，改为维护有依赖关系的义务图，仅执行前置条件已满足的节点，减少规划浪费和上下文膨胀。
- 架构热点识别与 Macro-Agent 封装：根据子任务间状态共享、依赖密度、操作复用等遥测，将高频协作的子任务封装为拥有私有状态和工具集的专门子 Agent，减少重复状态加载和通信 token；父编排器只通过类型化接口查看已验证产物。
- 治理式自演化（governed evolution）：不盲目循环优化，而是用 cost-benefit gate 判断是否值得修改架构；对低风险局部变异（如 prompt/工具接口）给予有限租约，结构性变更升级到高层，避免长程任务中过度搜索。
- 接受证书机制：对关键节点输出附带可回放收据和验证器契约，确保在复杂流程（如推荐策略生成、数据管道）中每个环节可审计，避免置信错误。