自助进化智能体正成为AI圈最火的概念，但三类系统进化的对象完全不同。本文拆解制品迭代优化、harness自我改进和模型自学习三大方向，帮你分清哪些是真进化，哪些只是换了个酷炫的名字。
自助进化智能体到底进化的是什么东西
先搞清楚一个基本问题。
一个AI智能体由三个核心部分组成。
模型是大脑，负责理解问题并给出回答。大部分人熟知的ChatGPT、Claude这些，就是模型本身。
harness是围绕模型搭建的所有辅助系统，包括记忆模块、工具调用能力、循环控制逻辑、提示词管理等等。
有一个经典公式：智能体=模型+harness。
第三个部分叫制品Artifacts，这个词可能比较陌生。
制品是智能体产出的东西。比如智能体发现的新算法、自动生成的科研论文、新发现的机器人控制策略，这些都算制品。模型和harness一起组成智能体，智能体不断产出制品。这就是整个系统的运作链条。
明白这三个部分之后，自助进化智能体的分类就清晰了。
它们分成三个层级：
第一层进化制品，
第二层进化harness，
第三层进化模型本身。
每一层的思路完全不同，解决的核心问题也天差地别。
制品迭代优化就是让AI自己动手改作业
这一类是目前最热闹的方向，也是普通人最容易理解的一类。它的想法特别直接：既然AI这么能写，那就让它反复写，直到写出好东西为止。
人类只需要设定目标和评价标准，剩下的交给AI自己跑。
AlphaEvolve（https://arxiv.org/pdf/2506.13131）就是一个典型。它让编码智能体去发现新算法，每一次迭代都生成一个新版本，然后检查这个版本比不比之前的好。如果好就保留，如果不好就继续改。这个过程可以跑几个小时甚至几天。
Analemma AI的FARS（https://arxiv.org/html/2606.31651v1）系统跑了一个完整的实验，持续417个小时，生成了166篇完全由AI生成的论文，成本大约18万美元。
Recursive Superintelligence（https://www.recursive.com/articles/first-steps-toward-automated-ai-research）也用类似方法找到了更好的GPU内核算法。
这种思路其实不新鲜。在AI还不是主流的时候，研究人员就用手工设计的搜索方法去找更好的网络结构。EfficientNet（https://arxiv.org/pdf/1905.11946）就定义了一个搜索空间，然后让算法在里面找最优的网络设计。当时这种方法在很多任务上都超过了人类设计的算法。
大语言模型带来的变化是，AI自己成了搜索工具。它既能生成新方案，又能检查结果好不好，还能决定下一步往哪个方向搜索。搜索空间一下子变大了，搜索效率也提高了。以前这种方法需要很多人工干预，现在AI可以连续跑很久不用人管。
大多数这类系统目前还在数字环境里跑，比如代码库、浏览器、模拟器。但已经有团队开始往物理世界延伸。
NVIDIA（https://research.nvidia.com/labs/gear/enpire/）让智能体通过控制机器人来发现新的机器人控制策略。
LabOS（https://arxiv.org/abs/2510.14861）把智能体连到了生物实验室，让AI自己设计实验。
Qumus（https://arxiv.org/abs/2605.18407）建了一个量子材料实验系统。这些尝试都在把进化能力从虚拟世界推向真实世界。
世界就是智能体的游乐场，这句话在这个语境下一点都不夸张。
harness自我改进让AI学会自己给自己加装备
训练大模型太贵了，动辄几百万美元。能不能不更新模型参数，只靠调整周边系统就让智能体变强。harness自我改进就是这个思路。
这个方向分成两条路。
第一条路是提示词和记忆层面的改进。最笨的办法是把问题和答案记下来，下次遇到同样的问题直接翻笔记。但这个方法不通用，换个问法就傻了。聪明一点的做法是提取有用的规则存起来，让智能体下次能用上。
GEPA（https://arxiv.org/abs/2507.19457）把规则存在提示词里，
ACE（https://arxiv.org/abs/2510.04618）存在操作手册里，
Mem0（https://arxiv.org/abs/2504.19413）存在专门的记忆系统里。
虽然有些方法名字里带“学习”，但它们并不更新模型权重。不过既然harness是智能体的一部分，更新harness和更新模型在效果上应该被同等看待。叫它们学习方法也没什么问题。
第二条路是工具和技能创造。光有文本信息有时候不够用。比如智能体需要理解一段长视频找出关键帧，光靠记忆可能会把上下文窗口撑爆。这时候它需要一个能直接提取关键帧的工具。
Alita（https://arxiv.org/abs/2505.20286）做的就是生成可复用的工具，
Mem-UI（https://arxiv.org/abs/2602.05832）做的是生成技能。工具用代码表示，AI可以直接生成。技能可以理解为工具的更高层封装。
这些工具和技能生成之后会被添加到智能体里，下次遇到类似问题就能直接调用，不用重新想一遍怎么做。技能还有一个额外好处，它减少上下文长度。智能体不需要把每一步细节都塞进上下文窗口，这个优化在长任务里特别关键。
现在技能已经成为行业标配。
Claude Code把技能做了形式化定义，Codex和OpenClaw都支持技能创建。
Hermes Agent（https://hermes-agent.nousresearch.com/docs/user-guide/features/skills）也把自动技能创建作为核心功能宣传。
多智能体协作是harness自我改进的高级形态
前面的方法都很好，但有一个大问题。操作手册越来越长，工具和技能越加越多，单个智能体会变得不可靠且效率低下。如果用户只关心股票问题，系统里装着一堆烹饪工具完全是浪费。更麻烦的是语义混淆。一个智能体里塞了太多烹饪知识，它可能搞不清楚“挤压”这个词指的是金融市场还是榨橙汁。
解决方案是把任务拆开。烹饪智能体和股票智能体分开跑，比一个智能体同时处理两个领域要好。这就引出了多智能体方向。
Eevee（https://arxiv.org/abs/2606.11182）观察到当数据来源差异很大时，单个智能体表现有限，所以用多个专家智能体分别处理不同任务，再用一个路由器分配任务。
Alita-G（https://arxiv.org/abs/2510.23601）也发现给智能体配一套生成的工具来构建专家系统在某些专业领域很管用。
多智能体系统也可以看作是上下文管理的延伸。每个专家只需要携带对自己任务有用的上下文，不用管其他领域的知识。关键瓶颈在于怎么找到合适的智能体，也就是路由问题。研究发现路由不是简单的事情，需要更强的基座模型才能做好，具体可以看这篇路由研究（https://arxiv.org/abs/2605.07180）。在这个意义上，人类专家最值钱的能力也是路由。我们判断任务该交给谁，判断下一步该干什么。
人就是路由器。
没有标准答案的模型学习才是真正的自进化
前两类都不动模型参数。第三类动。这个方向有很多名字，自训练、弱监督、自我对弈、强化学习、测试时训练、在线学习、持续学习。它们都不太愿意叫自己自助进化智能体，可能是因为名字不够时髦。
核心问题是一样的。没有标准答案，只有问题本身、弱信号、或者环境交互的机会，怎么让模型更新参数。
没有标准答案就自己造标准答案。
一种方式是从数据本身构造伪标签，另一种方式是利用模型内部信号。自训练（https://arxiv.org/abs/2202.12040）做的就是前者，TTRL（https://arxiv.org/abs/2504.16084）做的是后者。DeepSeek-R1（https://arxiv.org/abs/2501.12948）把信号转化成奖励用强化学习训练。比如一张图里有几个苹果，没有标准答案，但预训练模型可能对4个、5个、6个这些答案更自信，这些内部信号虽然不完美但有用。
学习信号也可以来自外部。自我对弈就是一种，另一个玩家可以看作环境的一部分。
SPIN（https://arxiv.org/abs/2401.01335）和Absolute Zero（https://arxiv.org/abs/2505.03335）都在做这个。
还有通过和环境交互学习的，比如Agent Learning via Early Experience（https://arxiv.org/abs/2510.08558）。
有一个很日常的例子。你约人出去玩，对方没回复，这个没回复本身就是一个信号。环境不给你反馈也是一种反馈。
测试时训练（https://test-time-training.github.io/e2e.pdf）是一个特例。它从来不叫自己自进化，可能是因为名字更酷。这项工作发现某些序列模型在推理过程中其实在做梯度更新，可以看作在推理时持续更新一个矩阵。DeltaNet的博客（https://sustcsonglin.github.io/blog/2024/deltanet-1/）讲得很清楚。
持续学习（https://arxiv.org/abs/2302.00487）可以追溯到AI之前。经典场景是视觉识别。训练了一个模型认轿车，现在想让它也认SUV，直接微调可能会让它忘了怎么认轿车。怎么避免灾难性遗忘是个难题，到现在最有效的办法之一还是在微调SUV的时候回放一些轿车样本。
不过同一个术语在不同时代意思完全不一样。“多模态”这个词就是个好例子。2017年左右它指图像描述，比如Bottom-Up and Top-Down Attention（https://arxiv.org/abs/1707.07998），2021年左右指CLIP（https://arxiv.org/abs/2103.00020）这类模型，2023年指GPT-4V那样的视觉语言模型，到2025年还覆盖了同时做图像理解和图像生成的统一模型。持续学习在今天的讨论里也经常被拿来指代更接近自助进化智能体的东西，而不是老掉牙的灾难性遗忘。
人和术语都会变。
三层之间的边界正在模糊
模型、harness、制品这三层进化不是泾渭分明的。优化内核算法的时候目标是制品，但为了让搜索更有效，可能同时需要改进提示词、工具、记忆或者搜索策略。智能体的知识受限于预训练，harness改到极限之后更新模型参数就是顺理成章的事情。SIA（https://arxiv.org/abs/2605.27276）已经在探索这个方向了。
看AI工具的进步史，本质上是抽象层级不断升高。几年前我们逐行写代码，后来让ChatGPT写代码片段，再后来Copilot帮忙写函数和文件，现在编码智能体能处理整个项目。优化目标从单词到片段到文件再到项目，不断把更多东西打包成新的抽象，然后站在更高层级思考。
自助进化智能体系统也会走同样的路。模型、harness、制品不应该永远被当作孤立组件。系统能力足够强之后，自然的方向是让它们一起进化。
真实世界才是终极考场
自助进化智能体最让人期待的部分，是它们改进系统之外东西的能力。更好的提示词有用，更好的记忆有用，更好的工具有用，更好的模型也有用。但自进化的最终价值应该用另一个标准衡量：它帮我们造出了什么更好的东西。更快的内核、更强的软件、新的科学假设、新材料、更好的机器人行为。
模型从弱信号学习，harness更新记忆和工具，制品被反复优化。这三个层级是进入同一个大系统的不同入口。早期系统通常只在一个层级上跑，未来会一起跑。更强的模型帮造更好的harness，更好的harness加速制品搜索，更好的制品给模型学习创造新数据和反馈。
自助进化智能体这个概念过去换过很多名字，递归自我改进、持续学习、在线学习、自动化发现、测试时适应。名字变是因为可用系统变了。今天我们有强大的基座模型、会用工具的智能体、并行执行能力、更丰富的环境、更有用的验证信号。
与其争论名字，不如问三个更简单的问题。什么在进化。什么反馈驱动它。循环在哪里闭合。
如果循环闭合在基准测试上，我们得到更强的解题机器。如果闭合在代码上，我们得到更好的软件。如果闭合在科学和工程上，我们可能得到更好的发现。如果闭合在物理世界上，智能体可能成为建造和改进真实系统的新方式。
世界还是最难的环境，但也正是自助进化智能体最重要的用武之地。
叫得再响的自进化，最后还得看能不能在真实世界里办成一件实在事。制品、harness、模型三层各有用处，但闭环在哪儿，价值就在哪儿。