实验教程：Agent 的自我进化

文档摘要

第 8 章 · 实验教程：Agent 的自我进化本章对应正文：第 8 章 · Agent 的自我进化核心命题：不改权重也能成长——从经验中学习，从"工具使用者"进化为"工具创造者"。前几章的 Agent 用完即弃，每次任务都从零开始。这一章让 Agent"越用越聪明"：把成功轨迹提炼成可复用的经验，把重复操作固化为参数化工具，把复杂提示的效果蒸馏进模型参数，甚至让 Agent 自己上网找库、读文档、造新工具。进化的不只是上下文，还有工具库本身。

第 8 章 · 实验教程：Agent 的自我进化

本章对应正文：第 8 章 · Agent 的自我进化

核心命题：不改权重也能成长——从经验中学习，从"工具使用者"进化为"工具创造者"。

前几章的 Agent 用完即弃，每次任务都从零开始。这一章让 Agent"越用越聪明"：把成功轨迹提炼成可复用的经验，把重复操作固化为参数化工具，把复杂提示的效果蒸馏进模型参数，甚至让 Agent 自己上网找库、读文档、造新工具。进化的不只是上下文，还有工具库本身。

本章 6 个实验从"经验学习"到"工具创造"层层递进：先用 GAIA 经验闭环和浏览器 RPA 演示"做过了就记下来"，再用提示蒸馏和自动优化把"上下文里的经验"固化，最后用 Alita 式自我进化和专门评估数据集展示"Agent 自己造工具"的完整闭环。建议先读正文理解"自我进化的三层"，再按兴趣挑实验。

实验列表

实验	类型	难度	说明
gaia-experience	✅	★★	基于 AWorld + GAIA 的「学习-应用」闭环：自动总结成功轨迹为经验，新任务中检索应用
browser-use-rpa	✅	★★	浏览器工作流录制系统，把重复操作封装为参数化工具，从 LLM 推理切换到自动化执行 3–5 倍加速
prompt-distillation	✅	★★	基于 TRL 把长 prompt 思考模型蒸馏到无 prompt 非思考模型，把上下文经验固化为参数化知识
prompt-auto-optimization	✅	★★	以 tau-bench 航空客服「过度转接」为例，Coding Agent 读/改 prompt 文件 → 重新评测 → 验证闭环
self-evolving-tools	✅	★★★	Alita 式「最小预定义，最大自我进化」：五个通用元工具，自己上网找库/读文档/沙箱测试并封装复用
self-evolution-eval	✅	★★★	20 个跨领域任务 + 四层分层验证 harness + 可控参考 Agent，考察发现/创造/复用质量

类型与难度说明

标记	含义
✅	可独立运行：自带完整代码，配好 API Key 即可跑
📖	复现指南：依赖需自行 `git clone` 的外部仓库
🚧	设计文档：仅含架构方案，可运行代码仍在完善
★ ~ ★★★	从易到难，★ 为入门级、★★★ 为进阶挑战

阅读建议

入门读者：从 prompt-auto-optimization（★★，Coding Agent 改 prompt 的闭环）和 browser-use-rpa 开始，直观感受"Agent 把经验固化下来"的两种形态。
关注经验学习：gaia-experience 演示完整的「学习-应用」闭环，可用 --compare 做 A/B 对照检验"复用经验是否真能提升成绩"。
关注工具创造：self-evolving-tools 是本章精华——Agent 不预置领域工具，自己造工具；self-evolution-eval 则给出如何科学评估这种"自我进化"能力的方法论。

← 返回总目录 · 📖 读本章正文 · 📑 本章索引