Self Evolve 开始阅读
Project report / GitHub evidence

Awesome-Self-Evolving-Agents: 自进化AI智能体全景资源

这是可索引项目报告证据页：它保留 Awesome-Self-Evolving-Agents: 自进化AI智能体全景资源 的源材料入口、机制线索和限制提醒；正文仍需 reader/editor 与 academic public-copy review 后才能当作最终结论引用。

报告索引 项目索引 Markdown source

Awesome-Self-Evolving-Agents: 自进化AI智能体全景资源

基本信息

字段内容
GitHubhttps://github.com/EvoAgentX/Awesome-Self-Evolving-Agents
Star500+
技术栈Markdown, 学术文献管理
许可证MIT
开发者EvoAgentX团队 (格拉斯哥大学等)

项目简介

Awesome-Self-Evolving-Agents是综述论文”A Comprehensive Survey of Self-Evolving AI Agents”的配套资源仓库,系统性收集了自进化AI Agent领域的最新研究。该项目提出了自进化Agent的概念框架,将相关工作分为三大方向:单Agent优化、多Agent优化和领域特定优化。仓库以进化树(Evolve Tree)的形式直观展示了AI Agent进化与优化技术的发展脉络,涵盖2023-2025年间的200+篇论文。

目录结构

evoagentx__awesome_self_evolving/
└── README.md                          ★ 核心论文索引与分类
    ├── Open-Source Framework
    │   ├── EvoAgentX (EMNLP'25 Demo)        ★ 自动化Agent工作流进化框架
    │   └── MASLab                            ★ 统一多Agent系统代码库
    ├── 1. Single-Agent Optimisation         ★ 单Agent优化
    │   ├── 1.1 LLM Behaviour Optimisation
    │   │   ├── 1.1.1 Training-Based          ★ 训练时优化
    │   │   │   ├── SFT Approaches            ★ 监督微调(STaR, ToRA等)
    │   │   │   └── RL Approaches             ★ 强化学习(Self-Rewarding, DPO等)
    │   │   └── 1.1.2 Test-Time Optimisation  ★ 测试时优化
    │   │       ├── Feedback-Based            ★ 反馈优化(CodeT, LEVER等)
    │   │       ├── Search-Based              ★ 搜索优化(ToT, GoT, BoT等)
    │   │       └── Reasoning-Based           ★ 推理优化(START, CoRT)
    │   ├── 1.2 Prompt Optimisation           ★ 提示词优化
    │   │   ├── Edit-Based                    ★ 编辑优化(GPS, GrIPS等)
    │   │   ├── Evolutionary                  ★ 进化优化(EvoPrompt, PromptBreeder)
    │   │   ├── Generative                    ★ 生成优化(APE, OPRO, DSPy)
    │   │   └── Text Gradient-Based           ★ 文本梯度(TextGrad, GPO等)
    │   ├── 1.3 Memory Optimization           ★ 记忆优化(A-MEM, Mem0等)
    │   ├── 1.4 Tool Optimization             ★ 工具优化
    │   │   ├── Training-Based                ★ 训练优化(ToolEVO, ToolRL等)
    │   │   ├── Inference-Time                ★ 推理优化(EASYTOOL, MCP-Zero等)
    │   │   └── Tool Functionality            ★ 工具功能优化(CREATOR, CLOVA)
    │   └── 1.5 Unified Optimization          ★ 统一优化(EvoAgent, ELL-StuLife)
    ├── 2. Multi-Agent Optimisation           ★ 多Agent优化
    │   ├── 2.1 Automatic MAS Construction    ★ 自动构建(MetaAgent)
    │   └── 2.2 MAS Optimisation              ★ 系统优化(ADAS, AFlow, GPTSwarm等)
    ├── 3. Domain-Specific Optimisation       ★ 领域优化
    │   ├── 3.1 Biomedicine                   ★ 生物医学
    │   ├── 3.2 Programming                   ★ 编程
    │   ├── 3.3 Scientific Research           ★ 科研
    │   ├── 3.4 Financial & Legal             ★ 金融与法律
    │   └── 3.5 Other Domains                 ★ 其他领域
    ├── 4. Evaluation                         ★ 评估
    │   ├── 4.1 Benchmark-Based               ★ 基准评估
    │   ├── 4.2 LLM-Based Evaluation          ★ LLM评估(LLM-as-Judge)
    │   └── 4.3 Safety & Robustness           ★ 安全与鲁棒性
    └── assets/                               ★ 进化树与框架图

核心模块分析

1. 单Agent优化

LLM行为优化(训练时):

LLM行为优化(测试时):

提示词优化:

2. 多Agent优化

3. 领域特定优化

技术亮点

  1. 概念框架创新: 提出自进化Agent的概念框架,将优化分为单Agent/多Agent/领域三个层次
  2. 进化树可视化: 以树状图直观展示AI Agent进化技术从2023到2025的发展脉络
  3. 自进化聚焦: 专门关注Agent自我进化能力,与Self-Evolve理念高度对齐
  4. 开源工具集成: 推荐EvoAgentX框架,提供自动化Agent工作流进化能力
  5. 安全评估: 包含Agent安全性、对齐和鲁棒性的评估维度

与 Self-Evolve 关联

维度Awesome-Self-Evolving 贡献
自我进化范式整个仓库围绕Agent自进化展开,与Self-Evolve核心理念完全一致
进化提示优化EvoPrompt、PromptBreeder等展示了提示的进化优化方法
多Agent系统进化ADAS、AFlow等展示了多Agent系统的自动设计和进化
记忆优化A-MEM、Mem0等为Self-Evolve的长期记忆管理提供参考
工具进化ToolEVO等展示了工具的自我进化能力
安全保障AgentHarm、RedCode等为Self-Evolve的安全对齐提供评估基准

参考资料