微软与加州大学圣巴巴拉分校提出 ScholarEvolve，借鉴论文持续进化智能体框架

微软与加州大学圣塔芭芭拉分校研究者在2026年9月30日提交论文《Learning from Research: Toward Lifelong Agent Harness Evolution》，提出ScholarEvolve，关注点在于让智能体围绕固定模型持续改进其工具、记忆和执行框架。

• 论文将harness拆分为工具、上下文、技能、记忆和工作流等模块，再用主题建模从近期研究中提取改进策略。
• 系统会实现不同策略并测试组合，同时设计了随新论文加入而继续迭代的流程。
• 在论文报告的实验中，Qwen3.5-27B在AppWorld Challenge上的任务目标完成率由49.6%升至63.6%，GPT-5.4-mini在Tau2-Bench Telecom上的pass率由72.7%升至81.9%。
• 论文也指出，进化后仍存在需求跟踪和证据覆盖不足等失败类型，结果主要来自特定基准和实验配置。
• 影响/看点：如果研究策略能稳定迁移到更多任务，智能体能力提升可能更多依赖运行框架而非重新训练模型；但泛化效果仍取决于基准覆盖、候选策略质量和评估筛选机制。
• 资料依据:
• arXiv论文《Learning from Research: Toward Lifelong Agent Harness Evolution》（2026-09-30）：https://arxiv.org/abs/2609.40169
• ScholarEvolve官方代码仓库（2026-09-30）：https://github.com/UCSB-NLP-Chang/ScholarEvolve

本内容由 AI 生成，仅供参考，请注意甄别