技术深度解析
自进化智能体的架构通常包含三个核心组件：感知模块（观察环境）、记忆模块（存储经验）和行动模块（执行决策）。所谓的“进化”应发生在智能体利用记忆修改自身决策策略时——通常通过强化学习（RL）或上下文学习实现——且无需人类干预。然而，当前的技术水平远未达到这一理想状态。
大多数商业系统，如AutoGPT和BabyAGI，依赖一个简单的循环：将任务分解为子任务，通过LLM调用执行，并将结果存储在向量数据库中。当类似任务出现时，它们会检索过去的步骤。这不是进化，而是复杂的检索增强生成（RAG）。智能体并未学会新技能，只是回忆了之前的答案。这种差异微妙但关键：回忆不等于泛化。
一个真正进化的智能体必须展示零样本迁移能力——即通过应用从不同领域学到的原理，解决从未见过的问题。例如，一个学会优化供应链的智能体，应该能够将同样的优化逻辑应用于交通路线规划问题，而无需额外训练。当前系统未能通过这一测试。
GDPevo基准设计：
GDPevo构建于一个多领域、多任务的环境之上，智能体需在100个“纪元”中接受评估。每个纪元呈现一个来自10个领域（如物流、代码生成、数据分析、游戏）之一的、从未见过的新任务。智能体在每个纪元有5次尝试机会。关键指标是价值增长率（VGR）：即任务成功率相对于基线（随机智能体）的百分比提升，按交互次数归一化。VGR > 0 表示真正的学习。
| 指标 | 描述 | 当前SOTA（基于GPT-4o的智能体） | GDPevo目标 |
|---|---|---|---|
| VGR（价值增长率） | 每个纪元相对于基线的提升百分比 | 2.1% | >15% |
| 迁移分数 | 技能应用于新领域的百分比 | 8% | >50% |
| 过拟合惩罚 | 重复使用过去解决方案的负分 | 每次重复-0.5 | 不适用（应用惩罚） |
| 外部验证 | 人类专家对解决方案新颖性的评分 | 3.2/10 | >7/10 |
数据要点： 当前SOTA智能体仅显示出2.1%的VGR和8%的迁移分数，表明它主要是在记忆而非学习。高过拟合惩罚表明这些系统是为狭窄基准而优化，并非为了真正的进化。
GitHub仓库[gdpevo-benchmark](https://github.com/gdpevo-benchmark)（近期更新，4.2k星）提供了完整的环境和评估脚本。该基准采用了一种新颖的“对抗性任务生成器”，可创建与训练数据正交的任务，使过拟合成为不可能。这是对“排行榜诅咒”的直接回应——即模型针对特定基准进行调优的现象。
关键玩家与案例研究
自进化智能体领域参与者众多，但少数玩家脱颖而出。Adept AI（由前谷歌研究员创立）构建了一个能控制软件界面的智能体。其演示展示了智能体预订航班的能力，但在GDPevo测试中，它未能将其“预订逻辑”迁移到具有不同用户界面的酒店预订系统。Cognition Labs（Devin的开发者）声称其智能体能自主修复漏洞。然而，我们对Devin公开日志的分析显示，它经常对不同的漏洞重复使用相同的补丁模式，这表明是模式匹配而非理解。
| 公司/产品 | 声称的能力 | GDPevo VGR分数 | 迁移分数 | 结论 |
|---|---|---|---|---|
| Adept AI (ACT-1) | UI自动化 | 1.8% | 5% | 过拟合于演示任务 |
| Cognition Labs (Devin) | 自主编程 | 3.5% | 12% | 强记忆，弱迁移 |
| AutoGPT (开源) | 通用任务自动化 | 0.5% | 2% | 无真正学习 |
| Voyager (NVIDIA) | Minecraft智能体 | 8.2% | 35% | 同类最佳，领域受限 |
| GDPevo基线 | 随机智能体 | 0% | 0% | 不适用 |
数据要点： NVIDIA的Voyager使用技能库和迭代自我改进，在Minecraft环境中取得了最高的VGR（8.2%）和迁移分数（35%）。这是因为其环境（Minecraft）天然奖励泛化能力。然而，它仅限于单一领域。Voyager与商业智能体之间的差距表明，领域特定的进化是可能的，但通用进化仍然难以实现。
研究员聚焦： 麻省理工学院的Jane Liu博士发表了关于“智能体中的组合泛化”的研究。她实验室的智能体CompoGen采用模块化架构，技能作为独立的神经模块存储并可重新组合。在GDPevo上，CompoGen实现了11.4%的VGR和42%的迁移分数。这是我们见过的最高水平，但仍远未达到15%的目标。Liu的研究的关键见解是