Evolver：把智能体的探索变成会演化的能力

Haoyang Zhang、Qumeng Sun、Xiao Zhang、Xiang Liu、Zhidong Fan、Junjie Wang Infinite Evolution Lab, EvoMap https://github.com/EvoMap/evolver https://arxiv.org/abs/2611.07595

摘要

智能体在探索中会产生有价值的程序性知识，但这些经验大多只留在一次性的执行轨迹里，没有被系统地复用。我们提出 Evolver，一套不更新基础模型参数、把探索变成可持久复用能力的经验驱动框架。它围绕结构化的 Gene 资产，把经验采集、检索和由反馈引导的演化整合在一起，让现有的智能体外壳（harness）能按经验来执行任务。我们用 Claude Code 和 Codex、两种基础模型配置，以及 Terminal-Bench 2.1、SWE-bench Multilingual、SWE-rebench 和 GAIA 四个基准做了评估。在一组 320 对配对执行的诊断集上，Evolver 把任务成功率从 83.13% 提高到 87.50%（+4.38 个百分点），同时把记录到的任务执行 token 消耗降低 24.24%。在两种条件下都成功的 265 对里，token 消耗仍下降 17.57%，说明即便任务已经能做对，效率也能提升。这些结果说明，持久的程序性经验可以同时改进效果和效率，为把探索变成会演化的能力提供了一个可落地的基础。

1 引言

大语言模型智能体已经从生成文字，走到了通过工具使用和环境交互来分步解决问题。这类任务常常需要大量探索、调用工具、从失败中恢复并核对结果，计算和交互成本都很高。可是这些交互里学到的程序性知识，往往只属于这一次执行，后面的任务还得重新发现有用策略、重复类似的探索。于是就有一个根本问题：怎样把过去探索里投入的计算，变成能持续改进后续智能体能力的可复用经验？

我们提出 Evolver，一套围绕“从探索到演化”原则的经验驱动系统：把任务执行中获得的知识变成可持久的策略资产，用来指导下一次决策并支持迭代适应。在 Gene 表示的基础上，Evolver 把可复用步骤及其适用条件编码成结构化的 Gene 对象，通过 Capsule 把它们和具体执行案例关联起来，并保存事件、出处和评审记录来管理经验。它接入现有的智能体外壳，在不修改底层模型参数的情况下，让历史经验能在后续任务执行时被用上。

评估覆盖 Claude Code 和 Codex 两种外壳、两种基础模型配置，以及上述四个基准。在 320 对配对执行的诊断集上，加入 Gene 后总成功率从 83.13% 升到 87.50%（+4.38 个百分点），Claude Code 提升 2.50 个百分点，Codex 提升 6.25 个百分点。16 种配置里有 9 种成功率更高。任务执行 token 整体下降 24.24%；在两种条件都成功的 265 对里，token 仍下降 17.57%。

实验评估（第 4 节摘要）

作者采用“基线—抽取—Gene”三阶段协议。基线阶段智能体只用自带工具，不加额外 Gene；抽取阶段从有效的基线轨迹里提炼可复用策略；Gene 增强阶段在新会话里把原任务和选中的 Gene 一起交给智能体。Gene 选择优先使用同一任务产生的经验，注入预算为 12000 字节。这 320 对观察是诊断集，不是完整基准的随机抽样：最终任务选择考虑了观察到的结果改进和 token 用量。

总成功率从 83.13% 升到 87.50%。Claude Code 从 85.00% 到 87.50%（+2.50）；Codex 从 81.25% 到 87.50%（+6.25）。Terminal-Bench 2.1 的合计改进最大，从 64/80 到 71/80（+8.75 个百分点）。SWE-rebench 和 GAIA 分别提高 5.00 和 3.75 个百分点；SWE-bench Multilingual 两种条件都是 96.25%。记录到的平均任务执行 token 从 1641.1K 降到 1243.3K（24.24%）。在两种条件都成功的 265 对里，平均 token 从 1278.2K 降到 1053.6K（17.57%）。

两个代表性例子：Terminal-Bench 上一个统计数据集 token 的任务，Claude Code 搭配 GPT 两种条件都成功，Evolver 把 token 减少 86.5%，模型调用从 112 次降到 17 次；SWE-bench Multilingual 上一个修复 RxJava 并发空指针的任务，Codex 搭配 DeepSeek 两种条件都成功，Evolver 把 token 减少 58.2%，调用从 86 次降到 52 次。

5 结论

Evolver 在不修改基础模型参数的前提下，把一次性的智能体探索变成可持久复用的程序性经验。在两种外壳、两种模型配置和四个基准上，所选诊断评估显示经验复用把任务成功率提高 4.38 个百分点，同时把记录到的任务执行 token 消耗降低 24.24%。在两种条件都成功完成的任务上，token 消耗仍下降 17.57%。未来工作将研究更可靠的经验选择和验证、向未见过任务的迁移，以及可复用能力的长期演化。