SEABench：自进化智能体内源性失配基准
🧭 自进化智能体安全与归因评测 ★ 深度解读
University of Virginia · ELLIS Institute Tübingen
提出 SEABench 基准，用成对非进化智能体与归因评分量化自进化导致的安全退化
📌 工作参考价值（4 点）
- 在推荐/Agent 工作流里，自更新（controller/memory/tools）会把上游“更全、更快、更一致”的用户反馈固化成跨场景规则；上线前用成对非进化版本跑同一批安全/隐私测试，只有归因到自更新且基线安全时才允许推进。
- 工具/技能面最容易被污染且危害最大：错误会变成可复用可执行能力。给工具默认安全参数（如脱敏默认开启、高风险操作必须显式 opt-in），对工具变更做更强的静态检查和脚本化回归。
- CoT 风险线程监控可以做低误报的在线护栏：对推理中“范围扩张 / 未支撑断言 / 安全边界被覆盖”等 risk thread 做分类 + 语义校验，生产环境 FPR 约 10% 时能挡下约 71% 有害输出；但工具/技能型缺陷可能不在 CoT 中暴露，必须加输出或调用结果级校验。
- 可借鉴其 TextGrad 级联改写 + LLM-as-judge 的轨迹发现方法，给推荐 agent 造纵向压力测试序列：上游任务只要求效率/完整性，下游评估是否出现隐私泄露、上下文混淆、护栏腐蚀。
Experience Funnel：自进化智能体的状态-策略交替循环
🧭 自进化 Agent 状态-策略交替蒸馏 ★ 深度解读
The Hong Kong Polytechnic University · Huawei · Renmin University of China
用状态-策略交替循环把显式经验渐进蒸馏进参数策略，同时保留快速可编辑状态
📌 工作参考价值（4 点）
- 把线上 Agent 的 prompt/skill 显式状态与模型参数策略拆成两层：先用 held-out 验证门控快速更新 skill，再离线周期把反复有用的 skill 蒸馏进小模型，降低线上 context 长度和推理成本。
- 用三态对比（state-free / previous-state / updated-state）挑选要固化的样本，只保留 newly useful 和 persistently useful 轨迹，避免把噪声或模型已会的行为蒸馏进参数；电商导购/客服 Agent 可用点击、转化等 reward 做类似增量过滤。
- 做 token-level 归因蒸馏：用有状态/无状态两路概率的 JSD 定位真正被 skill 改变的 token，只给这些位置更高权重，比整条轨迹均匀蒸馏更数据高效，适合把大模型教师或 prompt 增益迁移到在线小模型。
- 固化后的策略仍需保留少量 residual state 才能拿到最大值，说明显式信息不能一次性全部内化；实践中应保留轻量 state/skill，待下一轮验证后再决定淘汰或更新。
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。
SkillZip：基于可重用结构发现的评估无关技能压缩
🧭 Agent 技能压缩 · 评估无关结构化精益 ★ 深度解读
Alibaba Group · Zhejiang University · Duke University
用“一次性解释，多处引用”原则，在不依赖下游评估的条件下压缩自进化Agent的冗余技能文本。
📌 工作参考价值（4 点）
- 长期维护的Agent系统可直接套用：将Agent技能视为类型化合约（接口、工作流、工具协议、规则、输出模式），通过共享规则、上提公共规则、工作流复用和异常编码实现文本压缩，减少每次调用的上下文token成本。
- 避免评估集过拟合的压缩范式：SkillZip 完全不依赖任务实例、奖励或验证器，仅从技能自身结构提取合约并强制覆盖所有要求，可杜绝因评估集偏差导致的技能退化，适合需要频繁更新的推荐/搜索Agent。
- 增量压缩模式适于在线进化系统：Zip-on-Write 在Agent每次自我进化时仅对比受影响局部，以ABSORB/REFINE/EXTEND/REFACTOR四类操作更新合约，零重放任务，可嵌入在线学习推荐Agent的实时优化流程。
- 最小描述长度( MDL )可直接指导提示精简：公式(4)定义的“最短忠实解释”目标，以及计算收益阈值（如规则提升、工作流复用）的显式条件，可迁移到对话策略、Query改写等复杂提示的自动去重与结构化重构中。
SkillJack：自进化智能体技能管道中的持久后门攻击
🧭 自进化 Agent 技能学习的安全风险 ★ 深度解读
Tencent Zhuque Lab
首次揭示自进化智能体的经验到技能转换如何将中毒经验固化为持久、可路由的后门技能
📌 工作参考价值（4 点）
- 自进化推荐Agent若用交互历史生成检索或推荐技能，须警惕中毒经验被固化；应建立技能溯源，标记数据血缘，源清除时级联撤销衍生技能，避免持久后门。
- 技能提取会“洗白”恶意意图（如“备份服务”掩盖数据外传），安全检测不能仅审查原始轨迹，需对每个衍生技能重新评估，尤其关注元数据（名称、描述）是否误导检测器。
- 工程实现中，技能库与经验存储通常解耦，仅清空原始记录不足以根除攻击，需配套技能生命周期管理，实现源删则后代技能同步失效。
- 对使用LLM路由的技能推荐系统，可借鉴其载荷构造思路，设计元数据感知的鲁棒性审查，避免仅靠表面文本判毒；并注意多防线组合可能因技能路由变化而失效，需联合优化。
OPD-Evolver：基于在线策略蒸馏训练整体智能体进化能力
🧭 整体代理进化 · 在线策略蒸馏 ★ 深度解读
LV-NUS Lab · FDU · PKU · Bytedance Inc.
提出快慢双环框架，将结果校准的记忆归因与特权后见蒸馏结合，同时训练经验选择、利用、撰写和管理四种进化能力
📌 工作参考价值（4 点）
- 多级记忆分层与选择：将代理经验按轨迹、技巧、技能、工具分四级存储，并用可学习的 Selector 筛除低价值记忆，可直接用于推荐系统的用户行为记忆或搜索历史管理，避免上下文噪音。
- 结果校准的归因监督：用环境反馈（任务成功/失败）校准记忆价值，生成密集后见标签，可迁移到对话推荐或交互式搜索中对历史交互片段的价值评估。
- 在线策略自蒸馏框架：让学生在自己生成的状态上模仿特权教师的行为，实现选择、执行、撰写、维护四种能力的联合训练，适用于需要持续进化的推荐代理或商品描述生成代理。
- 记忆写入的质量控制：训练代理只生成高未来效用的记忆，避免“记忆污染”，可借鉴到用户标签或知识图谱的自动更新中，确保新增信息对下游任务有正收益。
SePO：自演进提示代理优化系统提示
🧭 自演进提示代理优化框架 ★ 深度解读
National University of Singapore · City University of Hong Kong
通过自指涉设计，使提示代理在进化搜索中同步优化自身与任务代理的系统提示，突破手工设计瓶颈。
📌 工作参考价值（4 点）
- 动态优化多智能体系统：在电商多智能体（如推荐、客服、运营）中，可引入 SePO 式自演进提示代理，自动迭代各 Agent 的系统提示，替代手工调参，持续适应变化的业务场景。
- 低成本跨任务泛化：预训练-微调两阶段设计，先在多任务池上进化出通用提示优化能力，再快速适配具体推荐任务（如生成式推荐、Query 改写），大幅降低重复优化成本并提升新任务冷启动效果。
- 失败-成功平衡采样避坑：提示优化时按 1:1 同时输入失败与成功案例，避免代理过拟合单一失败模式，这一技巧可直接用于推荐提示词迭代或用户意图理解的 Prompt Engineering 中。
- archive 进化搜索防止早熟：基于存档的开放演进保留历史上性能较好的提示作为“垫脚石”，可借鉴到推荐策略的自动化调优中，防止搜索陷入局部最优。
重新思考自进化LLM智能体的持续经验内化
🧭 Agent 自进化 · 经验内化 ★ 深度解读
中国人民大学高瓴人工智能学院 · 北京航空航天大学软件学院 · 美团
揭示经验内化在多轮自进化中的能力崩塌，从经验粒度、注入模式、内化策略三维度给出稳定方案
📌 工作参考价值（4 点）
- 经验抽象为原则：在电商导购、多步工具调用等Agent场景中，经验积累应提取可复用的决策原则与失败模式（原则级），而非保留具体域名、URL等轨迹细节（实例级），后者在多轮更新中迅速失效。
- 逐步注入经验：在训练Teacher模型时，根据当前交互状态动态选择相关经验（逐步注入），避免全局固定经验导致模型过早终止（如未搜索直接回答）。在长时任务中，该模式可降低“过早应答”率（本工作中从63%降至0%），保持后续迭代的经验使用能力。
- 使用离线策略蒸馏：多轮自进化时，建议从强教师（经验感知模型）直接生成并筛选高质量轨迹进行蒸馏（离线），而非从学生模型采样再纠正（在线）。离线蒸馏训练出的轨迹更短（平均2.5步 vs 在线21.9步），且性能迭代更稳定，避免性能崩塌。
- 监控经验使用能力：在迭代内部化后，应评估模型在无经验和带经验上下文时的表现差距。如果差距消失或带经验反而下降，说明模型丢失了利用经验池的能力，会破坏下一轮Teacher的监督质量，需调整注入模式或经验提取策略。
更新架构非受益架构：解耦自进化LLM智能体的两种核心能力
🧭 自进化LLM智能体能力解耦分析 ★ 深度解读
The Pennsylvania State University · UC Santa Cruz · Amazon · Emory University · UIUC
揭示模型更新外部架构（harness-updating）与受益能力（harness-benefit）分别与基础能力脱钩，并指出弱模型受益低源于架构激活与遵循失败。
📌 工作参考价值（4 点）
- 将算力与优质模型优先分配给任务执行 agent，而非 evolver：evolver 模型产生的最终增益差异最多仅 3.1 个百分点，且不单调依赖模型规模；post-evolution 性能主要受 agent 基础能力支配。
- 针对弱模型 agent 强化“架构激活”训练：弱模型（如 Qwen3-32B）的技能加载率仅 25.1%，常因多键格式错误而失败；应设计严格单键的加载动作，或在训练中显式学习“主动查询并注入 harness 组件”的元动作。
- 增强长时域指令遵循能力以维持架构指导：弱模型加载技能后，沿轨迹遵循度从 0.52 骤降至 0.13；可在训练中加入轨迹级指令一致性奖励，或采用分阶段验证来维持 adherence。
- 简化架构交互协议以降低工程摩擦：将 harness 调用设计为显式、单键、机器易解析的动作（如 load_skill 独立 key），避免与推理内容混合，可提升弱模型的激活成功率。
MUSE-Autoskill：通过技能创建、记忆、管理与评估实现自我进化的智能体
🧭 Agent 技能生命周期管理 ★ 深度解读
ByteDance Inc. · Rochester Institute of Technology
提出将技能视为统一生命周期资产的智能体框架，引入技能级记忆、测试驱动评估和跨智能体迁移。
📌 工作参考价值（4 点）
- 将能力封装为可测试的技能包：借鉴MUSE将每个技能打包为SKILL.md + scripts/ + tests/ 的标准化结构，电商推荐 Agent 可将常用数据清洗、特征工程、报表生成等流程封装为技能，自带单元测试确保质量，避免每次重复推理。
- 技能级记忆积累经验：为每个技能维护独立的 .memory.md 记录跨任务的使用历史与失败模式，可迁移到推荐系统 Agent，让模型调用策略或特征组合时自动读取历史最佳实践，减少试错。
- 低成本跨模型技能迁移：MUSE 生成的技能文件不依赖特定 Agent 实现，可直接注入另一个 Agent 使用，这对多团队协作或 LLM 切换很有用，可建立公司内部的跨模型技能市场。
- 自适应上下文压缩：采用两级压缩（单节点摘要 + 连续节点合并）应对超长对话，适合推荐系统多轮交互场景，避免上下文溢出且保留关键信息。
MOSS：通过源码自改写实现自治Agent系统的自我进化
🧭 自进化Agent · 源码级重写 · 生产部署 ★ 深度解读
University of Science and Technology of China · The Hong Kong University of Science and Technology · Hong Kong Baptist University
让生产级agent系统通过源码自改写自主修复harness层故障，平均评分从0.25升至0.61
📌 工作参考价值（4 点）
- 生产Agent的自我修复机制：业务中大量使用的agent系统（如电商客服、订单助手）常常因路由/状态管理/hook顺序等harness层bug导致重复故障，MOSS提供了定向进化方案：从用户会话中自动检测失败片段，驱动源码级修复，而非仅修改prompt或技能文件。
- 进化与业务部署的结合：MOSS将进化流程与生产环境深度耦合：基于真实故障批次进行修复、在临时容器中回放原任务验证补丁、通过用户授权后进行容器热替换且支持健康探针回滚，可直接借鉴到需要高可用agent服务的场景。
- 多阶段pipeline与外部代码工具解耦：采用标准化七阶段（定位、规划、规划审查、实现、代码审查、任务评估、裁决），并将实际编码委托给可插拔的coding-agent CLI（如Claude Code、OpenAI Codex），降低了与具体LLM的耦合，可在自身系统中按需替换代码生成后端。
- 运行时验证代替单元测试：在临时容器中运行agent与真实任务交互来验证修复效果，而不是靠单元测试，这对动态、交互式的agent行为验证更为有效，适合推荐系统、对话agent等需要端到端行为验证的场景。