arXiv cs.AI· Haoyang Zhang, Qumeng Sun, Xiao Zhang, Xiang Liu, Zhidong Fan, Junjie Wang·· 11 小时前AI 评分41
Evolver：将智能体探索转化为可复用进化能力
Evolver: Turning Agent Exploration into Evolving Capabilities
AI 导读
Evolver 是一个经验驱动框架，通过结构化 Gene 资产整合经验获取、检索与反馈引导进化，在不更新基础模型参数的前提下让智能体探索经验持久复用。
正文 · AI 翻译
摘要：智能体探索会产生有价值的程序性知识，但其中大部分经验仍局限于瞬时的执行轨迹中，未被系统性地复用。我们提出 Evolver，一个经验驱动的框架，它无需更新基础模型参数，即可将智能体探索转化为持久、可复用的能力。Evolver 以结构化 Gene 资产为核心，整合经验获取、检索与反馈引导的演化，以支持在现有智能体框架中实现经验条件化的执行。我们使用 Claude Code 和 Codex 两种基础模型配置，以及 Terminal-Bench 2.1、SWE-bench Multilingual、SWE-rebench 和 GAIA 四个基准对 Evolver 进行评估。在选定的 320 对配对执行诊断集上，Evolver 将任务成功率从 83.13% 提升至 87.50%（+4.38 个百分点），同时将记录的任务执行 token 消耗降低 24.24%。此外，在两种条件下均成功的 265 对执行中，token 消耗降低 17.57%，表明即使在任务成功保持不变的情况下也具有效率收益。这些发现表明，持久的程序性经验可以同时提升任务效果与执行效率，为将智能体探索转化为不断演化的能力提供了实用基础。
| 评论： | 12 页，5 幅图 |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.07595 [cs.SE] |
| （或 arXiv:2611.07595v1 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07595 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhang Xiao [查看邮箱]
[v1]
2026 年 11 月 5 日星期四 07:44:28 UTC（1,504 KB）
来源：arXiv cs.AI · arxiv.org