技术深度解析
像赫尔墨斯这样的自进化智能体的核心创新，并非单一算法，而是一个用于递归改进的集成架构框架。从概念上讲，它实现了达尔文进化论的计算版本：变异、选择和遗传，全部由AI自身的批判能力所编排。
一个典型的架构包含三个循环运作的主要组件：
1. 执行者智能体： 当前执行任务（例如编写代码、解决逻辑谜题）的“化身”。它基于强大的基础模型构建，例如GPT-4、Claude 3，或专为智能体行为微调的开源模型（如DeepSeek-Coder）。
2. 批判者与分析器： 该模块执行元认知。它将执行者的任务、其尝试的解决方案以及结果（成功/失败/部分成功）作为输入。使用另一个可能更具分析性的模型（如Claude 3 Opus或自定义评估器），它诊断失败的根本原因，或识别成功解决方案中的次优方面。输出是结构化分析：“失败原因是循环逻辑中存在差一错误”，或“成功但使用了O(n²)算法，而存在O(n log n)的解决方案”。
3. 生成者（或创造者）： 这是进化的引擎。它接收批判者的分析以及原始执行者的定义（其系统提示、少量示例等），并生成一个新的、更新后的改进版执行者定义。这可能涉及重写系统提示、添加纠正失败的新示例，甚至生成智能体可以调用的新工具的代码。一些高级实现可能会基于分析结果微调一个小型适配器模型。
随后，新的执行者开始新一轮循环。此过程的关键在于一个技能库——一个不断增长的、经过验证的成功解决方案、已纠正错误和优化策略的数据库，生成者可以从中汲取资源。这防止了灾难性遗忘，并实现了组合式技能构建。
在开源领域，多个项目正在奠定基础。OpenAI的evals框架为评估提供了模板，尽管它并非自闭环。更相关的是普林斯顿大学的SWE-agent仓库，它将语言模型转变为能够修复真实GitHub问题中错误的软件工程智能体。虽然并非完全自进化，但它在SWE-bench基准测试上的成功率展示了自主编码改进的潜力。另一个关键仓库是AutoGPT，它普及了AI智能体通过迭代行动与反思来追求目标的概念，这是自改进循环的初级形式。
| 组件 | 核心功能 | 示例实现 | 关键挑战 |
|---|---|---|---|
| 执行者智能体 | 任务执行 | GPT-4 + ReAct提示工程 | 在长周期内保持上下文和工具使用的可靠性。 |
| 批判者/分析器 | 性能诊断 | 使用Claude 3 Opus进行分析，自定义评估标准/评分。 | 避免肤浅的批评；实现真正的因果理解。 |
| 生成者 | 智能体改进 | 使用LLM（如GPT-4）生成精炼的系统提示和示例。 | 确保改进具有普适性，而非仅针对上一任务过拟合。 |
| 技能库 | 知识保留 | 成功轨迹和补丁的向量数据库。 | 有效检索并避免技能干扰。 |
核心洞见： 该架构揭示，自进化是一个多模型、多步骤的过程。成功与否较少依赖于单一模型的能力，而更多地取决于反馈循环的鲁棒性以及流经其中的结构化数据（批评、改进）的质量。
主要参与者与案例研究
通往自进化AI的竞赛正沿着三个主要方向展开：大型科技实验室、雄心勃勃的初创公司和开源社区。
大型科技巨头：
* OpenAI 据称凭借其内部项目 Q* (Q-Star) 最接近目标。虽然细节不详，但报道表明它结合了逻辑推理与递归问题解决能力，使其能够处理新颖的数学问题——这是实现通用自我改进的关键前兆。他们对GPT-4系统卡片的开发以及对可扩展监督的关注，正对应了评估AI自身工作的挑战。
* Google DeepMind 在此领域历史悠久，可追溯至通过自我对弈掌握围棋的AlphaGo Zero。他们的Gemini模型正被定位为强大的智能体，而像AlphaCode 2这样的项目展示了先进的代码生成与批判能力。DeepMind在强化学习和模拟方面的文化，为闭环学习系统提供了天然基础。
* Anthropic 的宪法AI方法高度相关。他们利用AI帮助生成和完善其自身训练原则（宪法AI）的方法，是一种专注于对齐的元认知改进形式。构建于此基础上的自进化智能体，有望在能力增长的同时保持价值观的稳定性。