arXiv cs.AI· Mingze Yin, Xiaohan Wang, Dian Li, Longfei Luo, Jiahong Yan, Yiheng Zhu, Chang-Yu Hsieh·· 11 小时前AI 评分34
Darwin-Claw：面向递归自进化智能体的环境自适应经验整合框架
Darwin-Claw: Environment-Adaptive Experience Consolidation for Recursively Self-Evolving Agents
AI 导读
研究者提出 Darwin-Claw，一个环境自适应自进化框架，通过分层经验整合系统将情景经验蒸馏为动态更新的原型向量，为技能优化提供显式信号。该框架基于 agent-actor 与 evolver-critic 迭代协同适应，无需人工整理即可兼容主流智能体系统。在 WildClawBench 上，Darwin-Claw 取得显著性能提升。
正文 · AI 翻译
摘要：尽管大型语言模型（LLM）智能体在复杂任务中展现出卓越能力，但它们主要在孤立会话中运行，缺乏从历史交互中持续学习或适应用户特定环境的能力。现有的自我进化范式往往不加区分地将原始交互轨迹注入记忆或技能模块，导致行为模式模糊、更新可控性受损。此外，随着基础 LLM 推理能力的提升，智能体进化的瓶颈已从积累通用知识转向有效管理情境经验。为此，我们提出 Darwin-Claw，一个环境自适应的自我进化框架，系统性地提炼情节经验，以驱动操作技能与持久记忆的全面进化。Darwin-Claw 在理论上基于迭代的智能体-执行者与进化器-评论者协同适应，引入了分层经验巩固系统，提取细粒度错误归因并将其泛化为动态更新的原型向量。这种结构化的情境经验既可作为上下文敏感感知的交互补丁，也可作为技能精炼的显式优化信号。在实践中，Darwin-Claw 是一个易于部署的自动化框架，兼容主流智能体系统，无需人工整理。在 WildClawBench 上的大量实验表明，Darwin-Claw 带来了显著的性能提升，为自主智能体在真实世界生态系统中持续、以用户为中心的适应建立了一条可控且稳定的路径。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23574 [cs.AI] |
| （或 arXiv:2610.23574v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23574 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mingze Yin [查看邮箱]
[v1]
2026年10月16日星期五 14:57:21 UTC（1,189 KB）
来源：arXiv cs.AI · arxiv.org