Agent自我进化：6种机制改写产品设计假设 ​

过去产品设计有一个没人明说的假设：模型是固定的，进化的主体是人。但过去一年，这个假设正在被一批开源项目拆掉。怎么让 Agent 在不重新训练的情况下越用越强？他们找到了六种答案。

六种机制：从当次变好到进化方法本身也在进化 ​

01 输出自审：当次变好 ​

Agent 生成回答后不直接输出，先交给另一个 Agent 审查，有问题就打回重来。

本质：把「做完」和「做好」拆成两个角色。

代表项目：LangGraph Reflection

硬限制：对话结束，改进清零。不记得上次犯过什么错。

02 持久记忆：跨次变好 ​

把 Agent 状态从对话级提升到 Agent 级——对话可以结束，知识不清零。

代表项目：Hermes Agent

特点：

• 任务完成后自动提炼可复用技能文档
• 定期自己复盘，主动存储有用经验

解决的产品问题：有价值的经验出现在对话中途，用户不会刻意保存，但 Agent 会。

03 进化搜索：系统性变好 ​

记住经验还不够。如果 Agent 的 prompt 写法、工具配置、工作流结构本身就有优化空间呢？

实验结果：7B 小模型自我进化后，特定任务从 1.8% 跳到 32.4%。

04 对抗训练：没有数据也能变好 ​

前三种都需要评估环境来打分。但如果连训练数据都没有呢？

代表项目：Agent0

方案：双 Agent 对抗

• 一个负责出题
• 一个负责解题

解题 Agent 变强了，简单题没训练价值了，出题 Agent 就被迫生成更难的任务，倒逼对方继续进化。

效果：Qwen3-8B 数学推理提升 18%，超过需要人工标注的方案。

05 自我修改：连改进方法本身也在进化 ​

前四种的共同前提：改进机制是人设计的、固定的。

代表项目：Hyper Agents（Meta）

打破限制：

• Task Agent：负责干活
• Meta Agent：负责改进

Meta Agent 不仅能改 Task Agent 的代码，还能改自己的代码。

实验现象：系统自己发明了持久化记忆和性能追踪机制。没有人预设这些功能，Agent 判断自己需要，就写代码给自己加上了。

06 编排自优化：不改 Agent，改它外面的壳 ​

改的不是 Agent 自身，而是围绕它的编排层——prompt 结构、检索策略、工具调用顺序。

代表项目：Meta-Harness（斯坦福）

做法：让 Coding Agent 来迭代优化脚手架。每轮读取历史记录，提出新方案，跑评估，结果写回文件系统。

调试轨迹示例：

• 第3轮：发现两次失败的共同原因，主动拆分变量分别测试
• 第7轮：换了思路，只加一个环境快照，成了全局最优

这个过程和一个好的工程师调 bug 几乎一样。

对产品设计意味着什么？ ​

假设一：从设计静态能力，到设计成长路径 ​

过去评估一个 AI 功能，问的是「它现在能做什么」。这个问题预设了能力是静态的。

如果 Agent 会自我迭代，更关键的问题变成：

• 它有没有可以变强的空间？
• 变强的速度够不够快？

产品设计的对象，从一个截面变成了一条曲线。

假设二：用户行为本身，正在成为产品能力的一部分 ​

持久记忆机制意味着：用户每一次使用，都在给 Agent 提供积累的素材。

用户用得越多，Agent 就越懂这个用户，越懂这个领域。

产品的护城河，开始和用户的使用深度绑定在一起。

假设三：产品迭代的主体，不再只是人 ​

过去产品变好：产品经理发现问题 → 工程师改代码 → 重新上线。

现在有一部分迭代发生在循环之外——Agent 自己在跑，自己在改，自己在变强。

产品设计时需要多想一层：

• 有没有给 Agent 留出自我改进的空间？
• 产品架构支不支持这件事发生？

总结 ​

最先把自我迭代机制纳入产品设计的团队，会积累很难被复制的时间优势。

不是功能优势，而是时间优势——Agent 在某个垂直领域跑了半年、一年，积累了别人没有的经验库、技能库、改进轨迹。

这种优势不能靠堆资源追上来，因为它需要时间来生长。

关键词：Agent自我进化, EvoAgentX, AgentEvolver, Hyper Agents, Meta-Harness, 持久记忆