以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Agent evolution follows a simple loop: a proposer writes candidate artifacts (prompts, skills, memories) and selection accepts those that score higher. This loop has shown promise, yet practitioners face a puzzle: methods trade wins across papers, and evolution often fails to bootstrap on certain tasks. We trace this p
阅读原文 · Yuanhao Zeng, Shaocheng Lan, Ao Lu, Kuang Yan, Heng Lin, Xinang Xu, Yuan Luo, Yueting Wang, Yexin Li, Ruo Shan, Kan Ren
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看的地方,不在于它提出了什么新方法,而在于它给整个“智能体自我进化”方向泼了一盆冷水。 现在大量工作都在做同一件事:让一个 proposer 不断写新的 prompt、skill、memory,然后用评测分数挑出更好的版本留下。这套循环看起来很合理。但这篇论文用超过 1000 万次 LLM 调用、7 种进化方法、6 个模型告诉你: 瓶颈可能根本不...