智能体如何自我进化？拆解模型、运行系统与上下文的三重改进框架

当 AI 智能体犯了错，多数团队的直觉反应是改提示词、补知识、换更强的模型。但如果每一次改进都需要工程师亲自介入，Agent 的成长就永远离不开人类，系统的迭代速度也永远追不上业务变化。有没有可能让 Agent 自己发现错误、总结经验、主动提出修复方案？近期一场智能体技术大会上的主题演讲给出了一个完整框架，回答的正是这个问题：如何构建能够随时间持续改进的智能体。

三件套：模型、运行系统与上下文

这个框架首先把一个完整的 Agent 拆成三个部分。Model 是核心模型，负责推理和决策；Harness 是围绕模型构建的运行系统，负责管理输入、调用工具、执行任务、观察结果；Context 则是 Agent 可以使用的知识，包括文件、记忆和工具信息。以 Deep Agents 为例，其运行环境涵盖了文件系统、记忆管理、任务摘要，以及人类和子 Agent 的协作机制。结论很直接：要让 Agent 持续进步，就不能只盯着模型，而要同时改进这三个部分。

微调与强化学习：让模型更聪明

在模型层面，改进路径有两种。其一是监督微调（SFT）：从 Agent 的运行轨迹中筛选优秀案例，再用这些数据训练模型，适合分类、信息提取、内容总结等目标明确的任务。相关工具链已经打通，可以从运行轨迹中提取和筛选数据，再对接推理服务完成微调。其二是强化学习（RL）：不是简单模仿优秀案例，而是让 Agent 反复执行任务，根据实时评分获得反馈再调整模型。过程更复杂，但能力上限也更高。

自动修复与知识更新的工程路径

从多年产业实践经验来看，Agent 出错不一定是模型不够聪明，更常见的病灶藏在工具调用、提示词和执行流程里，这正是 Harness 改进的价值所在。一个可行的工程路径是在后台运行一个专门的分析型 Agent，持续分析运行轨迹，把相似问题归类，再提出修复方案：改代码、提交 PR、补充测试，甚至生成新的评估数据。但必须强调人机协同的边界——这些修改可能影响核心代码和所有用户，人类仍然要把关关键决策，让 AI 承担问题发现与修复建议，人负责最终批准。相比改模型和改代码，更新知识是成本最低、见效最快的路径：通过分析用户交互发现知识缺口，将 Agent 在任务中踩过的坑沉淀回知识库，让它在一次次任务中积累经验，而不是每次从零开始。

轨迹与评估：进化闭环的共同底座

模型、运行系统、上下文三条改进路径看似不同，却依赖同一个基础：运行轨迹与评估体系。轨迹记录模型和工具调用的输入、输出与执行顺序，让开发者能准确还原 Agent 做过什么；专门的存储与检索层甚至支持用自然语言查找相关轨迹。但知道 Agent 做了什么还不够，还必须知道它做得好不好——评估体系因此被称为 AI 时代新的产品需求文档，它定义了什么是正确结果、什么行为不可接受。难点在于真实用户输入难以预测、正确答案需要领域专家定义、复杂任务还需要模拟环境避免污染生产系统。更进一步，可以通过红队测试主动找错：给 Agent 提出两个语义相近的问题，如果回答明显不一致，就很可能存在隐患。这让错误发现从被动等待用户反馈，转向主动测试与排查。

这场演讲描绘的愿景是：Agent 执行任务后获得反馈、分析轨迹、把问题转化为新的评估案例、再提出改进方案，未来这个闭环甚至可以由 Agent 自己完成。方向已经清晰——智能体的竞争不再只是模型能力的竞争，而是整个系统持续学习与进化能力的竞争。