AI 自我进化的跨领域图谱：从 AutoML 到 Agent 自修改

梳理 AutoML/NAS、进化计算、LLM 自我改进与 Agent 框架之间的深层连接，揭示 Self Evolve 的技术全景。

AI 自我进化并非单一方向的进展，而是多条技术路线在”可验证改进闭环”这一共同目标下的汇聚。本文梳理五个核心领域之间的深层联系。

五大领域的交汇

1. AutoML / NAS → Agent 架构搜索

NAS 搜索神经网络拓扑，ADAS 搜索 Agent 代码/提示词/管线结构。关键差异：搜索空间从连续权重变为离散代码。

可借鉴的 NAS 经验：

• ENAS 的权重共享 → Agent 搜索的评估加速
• NAS-Bench-101/201/301 → Self Evolve 需要类似标准基准
• NAS 的收敛证明 → Self Evolve 缺乏形式化保证

2. 进化计算 + LLM：从 FunSearch 到 AlphaEvolve

FunSearch (Nature 2023) 用 LLM + 评估器进化单函数 → AlphaEvolve 扩展到完整代码库。核心模式：LLM 作为变异算子 + 自动评估器作为适应度函数。

关键里程碑：

• FunSearch：单函数发现
• OPRO：自然语言优化
• AlphaEvolve：MAP-Elites + 双模型（Flash 广度 + Pro 深度）
• OpenEvolve：社区开源复现

3. LLM 自我改进：推理期 vs 训练期

两大路线：

推理期改进（不改权重）：

• Self-Refine：生成 → 批判 → 修正循环
• Reflexion：语言反思写入记忆
• Agent Symbolic Learning：语言梯度反向传播

训练期改进（更新权重）：

• SPIN：自博弈微调
• Absolute Zero：零数据自博弈 RL
• RISE：推理期自编辑 + RL

4. Agent 自我进化：代码即基因组

重要前沿方向——Agent 直接修改自身代码：

• ADAS (ICLR 2025)：Meta Agent 在图灵完备代码空间搜索
• DGM (2025)：开放式进化归档，SWE-bench 20%→50%
• Gödel Agent (2025)：运行时 monkey patching
• Agent Symbolic Learning (NeurIPS 2024)：符号网络反向传播

5. Agent 框架：进化层的底座

AutoGen、MetaGPT、CrewAI 提供角色/工具/流程编排。Self Evolve 需要在此基础上叠加：

• 评估器/打分器
• 进化记忆/谱系
• 回归防护门禁

技术地图总结

观察 → 诊断 → 变异 → 验证 → 保留
  ↑                            │
  └──────── 反馈闭环 ──────────┘

被进化的对象从简单到复杂：

1. 提示词（Self-Refine）
2. 记忆（Reflexion）
3. 工具调用（Agent Symbolic Learning）
4. 代码/架构（ADAS, DGM）
5. 训练数据（Absolute Zero）
6. 奖励模型（SPIN）
7. 完整工作流（Agent 框架 + 进化层）

Self Evolve 将持续追踪让这些闭环可复现的论文与代码项目。