金昌市网站建设_网站建设公司_响应式网站_seo优化

LLMs 虽然在多种任务中表现出色，但本质上是静态的，无法适应新任务、知识领域的演变或动态交互环境，因此，研究者们开始关注能够实时适应性推理、行动和进化的Agents系统，这种从静态模型到自进化Agents的范式转变，为实现人工超级智能（ASI）铺平了道路。

首次系统地回顾了自进化智能体（Self-Evolving Agents）的研究进展。围绕“什么要进化”“何时进化”“如何进化”三个核心问题展开，为AI领域中从静态模型向动态、自适应智能体系统的发展提供理论框架和实践指导。

2022年至2025年若干代表性自进化代理框架的进化全景图

一、什么要进化？

探讨代理系统中哪些部分可以进化，包括模型、上下文（如记忆和提示）、工具和架构。

模型

• 自生成监督学习：通过角色交替生成问题和解决方案，利用成功轨迹微调模型参数。
• 交互反馈学习：将执行轨迹或自然语言批评作为奖励信号，结合监督微调和强化学习框架，实现持续策略改进。
• 文本反馈学习：将非结构化文本反馈视为可微训练信号，影响提示设计和模型参数。

上下文

• 记忆进化：积累知识、回忆事件并根据经验调整行为，如基于遗忘曲线的记忆管理、动态记忆更新和经验总结。
• 提示优化：改进代理输入给底层模型的指令，无需修改模型权重，如基于搜索的优化、迭代重写和自然语言修正。

工具

• 自主发现和创建：克服固定工具集的限制，按需创新，如探索性发现、反应式创建和结构化框架。
• 掌握工具：通过迭代改进掌握新生成的工具，确保工具的可靠性和实用性。
• 管理工具：高效管理和选择工具，如工具编码和架构优化。

架构

• 单代理系统优化：优化LLM调用节点和代理的整体架构，如节点优化和架构优化。
• 多代理系统优化：优化代理之间的组织和通信结构，如工作流优化和多代理协同进化。

二、何时进化（When to Evolve）：

分析进化发生的时间点，分为测试时进化（intra-test-time）和测试间进化（inter-test-time）。

测试时进化

• 基于上下文学习（ICL）：动态调整模型的上下文窗口，实现即时适应，无需修改模型参数。例如，AdaPlanner通过自我反思和计划修订，动态调整策略。
• 监督微调（SFT）：代理通过生成“自我编辑”指令，直接对模型参数进行即时调整。例如，Self-Adaptive Language Modeling通过强化学习训练模型生成有效的自我编辑指令。
• 强化学习（RL）：代理在遇到超出当前能力范围的问题时，通过生成相关问题变体并进行针对性的强化学习，实现即时技能获取。例如，LADDER通过测试时强化学习（TTRL）机制，针对特定问题类别进行强化学习。

测试间进化

• 基于上下文学习（ICL）：将之前任务的执行结果和反馈作为上下文信息，指导未来任务的解决。例如，Wang等人通过从代理行动历史中诱导工作流，并将其纳入后续任务的上下文中，实现知识的积累和复用。
• 监督微调（SFT）：通过生成合成数据和自我评估，实现迭代自我改进。例如，SELF通过自我反馈和自我修正能力，迭代生成对未标记指令的响应，并通过自我批评进行优化。
• 强化学习（RL）：利用无约束的计算资源，通过与环境的广泛交互和复杂的课程设计，优化代理策略。例如，RAGEN和DYSTIL通过在线强化学习，优化多轮交互任务中的代理策略。

三、如何进化（How to Evolve）：

总结引导进化适应的方法，包括基于奖励的进化、模仿和示范学习、基于种群和进化的方法。

基于奖励的进化

• 文本反馈：利用自然语言反馈指导代理的改进。例如，Reflexion通过自然语言反思改进代理的行为。
• 内部奖励：利用模型自身的置信度或概率估计作为奖励信号。例如，Self-Rewarding Self-Improving通过内部奖励机制实现自我改进。
• 外部奖励：利用外部环境提供的奖励信号。例如，SWE-Dev通过环境反馈优化代理的行为。
• 隐式奖励：利用模型的内在奖励机制，如“Reward Is Enough”通过简单的标量信号实现奖励学习。

模仿与示范学习

• 自生成示范学习：代理通过生成自己的训练数据来改进行为。例如，STaR通过生成和验证问题解决方案来提升推理能力。
• 跨代理示范学习：代理通过学习其他代理的示范来改进行为。例如，SiriuS通过多阶段改进和反馈整合来提升性能。
• 混合示范学习：结合自生成和跨代理示范学习。例如，SOFT通过内部反馈进行优化，提升代理的性能。

基于种群和进化的方法

• 单代理进化：通过种群机制进化单个代理。例如，Darwin Gödel Machine通过开放性进化实现自我改进。
• 多代理进化：通过种群机制进化多个代理。例如，EvoMAC通过多代理协同进化提升性能。
• 混合进化方法：结合单代理和多代理进化。例如，AutoFlow通过自适应搜索优化代理工作流。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】