智能体进化不只是分数上涨：一项研究揭示可靠性、成本与迁移的隐藏代价

2026年11月9日阅读约 3 分钟

导语：分数上涨，不等于智能体变强

当智能体能够通过修改提示词、工具调用流程或外部框架实现“递归式自我改进”时，模型权重并没有改变，但系统表现可能持续变化。问题在于，单次基准测试中的分数上涨，是否代表智能体更可靠、更高效，也能在新任务上复用？来自中国科学技术大学等机构的研究，正是对这一常见判断标准的反思。

论文围绕智能体进化的三个层面展开：实际表现如何变化、改进能否泛化，以及哪些进化机制真正发挥作用。研究者在不同智能体框架、通用任务和编码任务上评估了四种方法，并通过重复测试、受控扩展、组件干预和准入决策回放，拆解进化流程中的四个环节：

这种设计避免把最终分数当作唯一证据，而是追踪每次变化带来的收益与损失。

最值得注意的结果是，16个进化后的智能体全部获得了此前无法完成的新任务，但同时也失去了此前能够完成的一些任务。某个通用任务案例中，可靠性提升了5.2个百分点，却丢失了10个原本覆盖的任务。这说明“平均分变高”可能掩盖能力覆盖面的收缩：系统不是单纯变强，而是在不同任务之间重新分配能力。

可靠性改善还往往伴随部署成本增加。具体、针对性强的修改通常优于笼统提醒，但一个改动单独有效，并不意味着它与其他改动组合后仍然有效。研究还发现，得分最高的智能体，在四个评估池中都没有取得最大的平均提升；如果准入规则过于严格，也可能把有价值的替代方案直接淘汰。

进化结果迁移到新任务时，表现呈现明显差异。在通用任务目标上，无论采用哪类框架或进化范式，覆盖率通常会下降；而在编码任务目标上，使用仅作用于外层的框架时，覆盖率反而可能上升。换言之，某种进化策略是否有效，取决于任务类型、框架结构以及改动作用的位置，不能简单概括为“进化后就更通用”。

这项工作提示，智能体评估需要从单一排行榜转向多维度审计。除了新任务成功率，还应记录旧能力是否保留、重复运行是否稳定、部署成本是否可接受，以及改进能否迁移到目标场景。准入规则也应由测试过的决策依据支持，并明确每项改动的适用条件。

作为建设性的后续方案，EvoAudit 将这些诊断结果用于改造选择、分析、变异和准入流程，并取得了最佳表现。它的价值不在于承诺智能体会无条件自我增强，而在于让进化过程更可观察、更可比较，也更少依赖一次偶然的基准分数。