【免费下载链接】Awesome-Reliable-Self-Evolving-AgentsDiving into Reliable Self-Evolving Agents: A Survey项目地址https://gitcode.com/gh_mirrors/aw/Awesome-Reliable-Self-Evolving-Agents点击查看免费下载这篇文章基于开源研究清单 Awesome-Reliable-Self-Evolving-Agents 编写围绕Agent 记忆与检索的自演化展开以推理记忆框架 ReasoningBank 和分层记忆管理思想 MemGPT 为两个坐标点带你看懂 549 篇论文沉淀出的 L0–L4 自演化分层模型并给出一份可直接照做的入门阅读路线。Agent智能体在长期任务中记住什么、怎么记住、何时取用决定了它能不能越用越好。这个仓库正是把自演化Self-Evolving这件事系统梳理的最全资源库之一它用549 篇论文回答两个核心问题——自演化过程中到底改变了什么输出、模型、脚手架、改进器、评判标准凭什么证明它真的变好了证据与验收必须独立于更新过程之外 五层自演化深度分类记忆演化处在第几层仓库把每一次自我修改按改变波及的深度分成五级就像潜水员下潜的深度不同层级演化目标谁被改了典型失败模式论文数L0 输出层当前任务的输出或轨迹自我确认自己夸自己42L1 模型层可训练的模型权重/策略模型崩塌Model Collapse137L2 脚手架层提示词、技能、记忆与检索、工作流、运行框架脚手架过拟合257L3 改进器层提出改进建议的机制本身指标捕获Goodhart 定律21L4 评判标准层评判好坏的标准本身标准漂移30一句话理解L0 只改这一次的答案L1–L4 的改动会被保留下来、影响以后的任务——而记忆正是保留下来的改动最典型的一种。 记忆与检索的位置L2 脚手架层在 L2 层中演化对象的范围像洋葱一样一层层扩大从改一段提示词到改整套工作流再到管住最外层的运行框架Harness。记忆与检索Memory Retrieval是其中一个独立子方向收录 31 篇论文与技能与经验106 篇共同构成 Agent 长期变强的两大支柱。图中 4 号区域Memory Retrieval给出了记忆自演化的四个关键问题写入与召回策略写什么、何时召回情节记忆库结构化与静默注入记忆如何影响决策即使没有被显式调用溯源与删除删除本身也是一种学习规则支持回滚来源追溯Provenance防止记忆静默漂移 坐标点一ReasoningBank——让记忆装推理经验ReasoningBank 是目录中 Memory and Retrieval 章节的代表作ICLR 2026题为Scaling Agent Self-Evolving with Reasoning Memory它回答的问题是记忆该写什么它的思路可以拆成三步执行任务Agent 完成一批任务数学推理、网页操作、软件工程等提炼推理记忆把成功/失败轨迹中可复用的思考模式抽象成结构化条目存入记忆库检索并注入面对新任务时先召回相似的历史推理经验写进上下文辅助决策。这与仓库收录的经典脉络一脉相承NeurIPS 2023 的Reflexion让 Agent 用语言反思写入记忆TMLR 2024 的Voyager把经验固化成技能库而 ReasoningBank 进一步证明只要记忆结构足够好Agent 的自我演化能力可以随任务规模扩展。目录中同方向的工作还有ReMe动态程序记忆、ISM策略记忆、M2Note错题本式持续演化等都可以按 README.md 中的 Memory and Retrieval 小节直接检索。️ 坐标点二MemGPT——分层记忆与操作系统式管理如果说 ReasoningBank 关心记忆内容怎么进化那 MemGPT 这一经典思想关心的是另一根轴记忆结构怎么组织。MemGPT 本身并不在本目录中它是更早期的代表性工作但它提出的概念——借鉴操作系统的虚拟内存把上下文拆成主上下文内存与外部存储磁盘由 Agent 自主做换页、读写与压缩——直接催生了目录里一整片工作Active Context CompressionL0 章节Agent 自主管理上下文压缩即自动内存管理M*主张每个任务都值得拥有自己的记忆框架Memory Harness把记忆框架本身当作可演化的运行时对象H-Mem用混合结构同时解决记忆的演化与检索xMemory提出超越 RAG 的 Agent 记忆用解耦聚合的方式检索MetaMem演化元记忆优化记忆被使用的方式而非记忆本身。 两条路线合起来看ReasoningBank 定义了写什么MemGPT 式管理定义了怎么存、怎么换、怎么删。工程上一个能长期运行的 Agent 记忆系统两者缺一不可。 自演化循环记忆是怎么被更新的任何一次写入记忆都不应是无审查的追加。仓库给出的标准循环Figure 1如下执行任务→ 产生输出与经验output and experience提出并选择改进器提出候选修改例如一条新记忆条目评判标准负责打分外部审计证据来源与验收关口必须位于更新边界之外只能三种结果——接受、拒绝并回滚roll back、升级给人处理这个设计直接回答了为什么记忆会腐化的问题让写记忆的人和验收记忆的人分离循环就无法篡改自己的证据。️ 如何判断记忆演化是可靠的L2 层的典型失败是脚手架过拟合——记忆库针对旧任务越调越顺换新任务反而变笨。目录用一组专门的工作来暴露并修复这类问题Faulty Memories证明有用的记忆在被 LLM 持续更新后会变坏即记忆腐化是内生的Ratchet给自演化 Agent 提供一套最小卫生配方防止记忆库无限膨胀与漂移Library Drift诊断技能/记忆库中静默失效的漂移模式Harness Updating ≠ Benefit更新发生了 ≠ 真的变好了必须做端到端对照。配套的可靠性阶梯图Figure 7把每一层演化目标配上了对应的外部审计与控制手段对记忆系统的实践启示是保留集测试 可回滚 溯源删除三者齐全才算可靠的记忆自演化而不是只看平均分涨没涨。 新手阅读路线与上手清单按下面顺序读 README.md 中的对应小节大约半天就能建立完整认知先读总览Surveys and Positioning24 篇里的三篇记忆综述建立术语体系精读 L2 章节重点看Memory and Retrieval31 篇与Skills and Experience106 篇的前 10 篇理解可靠性读Cross-Level Reliability: Evidence, Acceptance, and Control8 篇与 L2 的 Reliability 小节8 篇跟踪前沿Open Problems and Outlook中的评测基准如 EvoMemBench、Frontier-Eng需要原文时本仓库附带完整综述 PDF Diving_into_Reliable_Self-Evolving_Agents_A_Survey.pdf可配合浏览 index.html 静态页面。选型时问自己五个问题记忆写入后有没有独立的验收关口删除/回滚机制是否存在新旧任务分别测试了吗防脚手架过拟合记忆条目能否溯源到原始任务检索的是原始数据还是提炼后的经验对比 Thought-Retriever 的思路想要为目录补充论文或勘误可以阅读贡献指南 CONTRIBUTING.md本仓库内容与图形采用 LICENSEMIT许可。小结Agent 记忆的自演化 内容演化ReasoningBank 路线× 结构管理MemGPT 路线× 独立审计可靠性阶梯。把握这三点你就能看懂这 549 篇论文中任何一个记忆方向的工作。赞分享【免费下载链接】Awesome-Reliable-Self-Evolving-AgentsDiving into Reliable Self-Evolving Agents: A Survey项目地址https://gitcode.com/gh_mirrors/aw/Awesome-Reliable-Self-Evolving-Agents点击查看免费下载相关推荐潜入AI智能体自我演化研究Awesome Reliable Self-Evolving Agents论文清单完全指南潜入AI智能体自我演化研究Awesome Reliable Self Evolving Agents论文清单完全指南 Awesome Reliable Sel从SPIN到Absolute Zero自博弈如何让LLM自我进化Awesome Reliable Self-Evolving Agents 完整导读从SPIN到Absolute Zero自博弈如何让LLM自我进化Awesome Reliable Self Evolving Agents 完整导读 AweQOwnNotes 翻译协作指南基于 Crowdin 的本地化工作流与质量标准QOwnNotes 翻译协作指南基于 Crowdin 的本地化工作流与质量标准 本文是一份面向翻译贡献者的 QOwnNotes 本地化操作手册系统讲解如何通上一篇astropy.io.misc 模块指南ECSV、HDF5、Parquet、PyArrow CSV 与 YAML 的统一表格读写下一篇CANN/asc-devkit SIMT乘法函数创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
【免费下载链接】Awesome-Reliable-Self-Evolving-AgentsDiving into Reliable Self-Evolving Agents: A Survey项目地址https://gitcode.com/gh_mirrors/aw/Awesome-Reliable-Self-Evolving-Agents点击查看免费下载这篇文章基于开源研究清单 Awesome-Reliable-Self-Evolving-Agents 编写围绕Agent 记忆与检索的自演化展开以推理记忆框架 ReasoningBank 和分层记忆管理思想 MemGPT 为两个坐标点带你看懂 549 篇论文沉淀出的 L0–L4 自演化分层模型并给出一份可直接照做的入门阅读路线。Agent智能体在长期任务中记住什么、怎么记住、何时取用决定了它能不能越用越好。这个仓库正是把自演化Self-Evolving这件事系统梳理的最全资源库之一它用549 篇论文回答两个核心问题——自演化过程中到底改变了什么输出、模型、脚手架、改进器、评判标准凭什么证明它真的变好了证据与验收必须独立于更新过程之外 五层自演化深度分类记忆演化处在第几层仓库把每一次自我修改按改变波及的深度分成五级就像潜水员下潜的深度不同层级演化目标谁被改了典型失败模式论文数L0 输出层当前任务的输出或轨迹自我确认自己夸自己42L1 模型层可训练的模型权重/策略模型崩塌Model Collapse137L2 脚手架层提示词、技能、记忆与检索、工作流、运行框架脚手架过拟合257L3 改进器层提出改进建议的机制本身指标捕获Goodhart 定律21L4 评判标准层评判好坏的标准本身标准漂移30一句话理解L0 只改这一次的答案L1–L4 的改动会被保留下来、影响以后的任务——而记忆正是保留下来的改动最典型的一种。 记忆与检索的位置L2 脚手架层在 L2 层中演化对象的范围像洋葱一样一层层扩大从改一段提示词到改整套工作流再到管住最外层的运行框架Harness。记忆与检索Memory Retrieval是其中一个独立子方向收录 31 篇论文与技能与经验106 篇共同构成 Agent 长期变强的两大支柱。图中 4 号区域Memory Retrieval给出了记忆自演化的四个关键问题写入与召回策略写什么、何时召回情节记忆库结构化与静默注入记忆如何影响决策即使没有被显式调用溯源与删除删除本身也是一种学习规则支持回滚来源追溯Provenance防止记忆静默漂移 坐标点一ReasoningBank——让记忆装推理经验ReasoningBank 是目录中 Memory and Retrieval 章节的代表作ICLR 2026题为Scaling Agent Self-Evolving with Reasoning Memory它回答的问题是记忆该写什么它的思路可以拆成三步执行任务Agent 完成一批任务数学推理、网页操作、软件工程等提炼推理记忆把成功/失败轨迹中可复用的思考模式抽象成结构化条目存入记忆库检索并注入面对新任务时先召回相似的历史推理经验写进上下文辅助决策。这与仓库收录的经典脉络一脉相承NeurIPS 2023 的Reflexion让 Agent 用语言反思写入记忆TMLR 2024 的Voyager把经验固化成技能库而 ReasoningBank 进一步证明只要记忆结构足够好Agent 的自我演化能力可以随任务规模扩展。目录中同方向的工作还有ReMe动态程序记忆、ISM策略记忆、M2Note错题本式持续演化等都可以按 README.md 中的 Memory and Retrieval 小节直接检索。️ 坐标点二MemGPT——分层记忆与操作系统式管理如果说 ReasoningBank 关心记忆内容怎么进化那 MemGPT 这一经典思想关心的是另一根轴记忆结构怎么组织。MemGPT 本身并不在本目录中它是更早期的代表性工作但它提出的概念——借鉴操作系统的虚拟内存把上下文拆成主上下文内存与外部存储磁盘由 Agent 自主做换页、读写与压缩——直接催生了目录里一整片工作Active Context CompressionL0 章节Agent 自主管理上下文压缩即自动内存管理M*主张每个任务都值得拥有自己的记忆框架Memory Harness把记忆框架本身当作可演化的运行时对象H-Mem用混合结构同时解决记忆的演化与检索xMemory提出超越 RAG 的 Agent 记忆用解耦聚合的方式检索MetaMem演化元记忆优化记忆被使用的方式而非记忆本身。 两条路线合起来看ReasoningBank 定义了写什么MemGPT 式管理定义了怎么存、怎么换、怎么删。工程上一个能长期运行的 Agent 记忆系统两者缺一不可。 自演化循环记忆是怎么被更新的任何一次写入记忆都不应是无审查的追加。仓库给出的标准循环Figure 1如下执行任务→ 产生输出与经验output and experience提出并选择改进器提出候选修改例如一条新记忆条目评判标准负责打分外部审计证据来源与验收关口必须位于更新边界之外只能三种结果——接受、拒绝并回滚roll back、升级给人处理这个设计直接回答了为什么记忆会腐化的问题让写记忆的人和验收记忆的人分离循环就无法篡改自己的证据。️ 如何判断记忆演化是可靠的L2 层的典型失败是脚手架过拟合——记忆库针对旧任务越调越顺换新任务反而变笨。目录用一组专门的工作来暴露并修复这类问题Faulty Memories证明有用的记忆在被 LLM 持续更新后会变坏即记忆腐化是内生的Ratchet给自演化 Agent 提供一套最小卫生配方防止记忆库无限膨胀与漂移Library Drift诊断技能/记忆库中静默失效的漂移模式Harness Updating ≠ Benefit更新发生了 ≠ 真的变好了必须做端到端对照。配套的可靠性阶梯图Figure 7把每一层演化目标配上了对应的外部审计与控制手段对记忆系统的实践启示是保留集测试 可回滚 溯源删除三者齐全才算可靠的记忆自演化而不是只看平均分涨没涨。 新手阅读路线与上手清单按下面顺序读 README.md 中的对应小节大约半天就能建立完整认知先读总览Surveys and Positioning24 篇里的三篇记忆综述建立术语体系精读 L2 章节重点看Memory and Retrieval31 篇与Skills and Experience106 篇的前 10 篇理解可靠性读Cross-Level Reliability: Evidence, Acceptance, and Control8 篇与 L2 的 Reliability 小节8 篇跟踪前沿Open Problems and Outlook中的评测基准如 EvoMemBench、Frontier-Eng需要原文时本仓库附带完整综述 PDF Diving_into_Reliable_Self-Evolving_Agents_A_Survey.pdf可配合浏览 index.html 静态页面。选型时问自己五个问题记忆写入后有没有独立的验收关口删除/回滚机制是否存在新旧任务分别测试了吗防脚手架过拟合记忆条目能否溯源到原始任务检索的是原始数据还是提炼后的经验对比 Thought-Retriever 的思路想要为目录补充论文或勘误可以阅读贡献指南 CONTRIBUTING.md本仓库内容与图形采用 LICENSEMIT许可。小结Agent 记忆的自演化 内容演化ReasoningBank 路线× 结构管理MemGPT 路线× 独立审计可靠性阶梯。把握这三点你就能看懂这 549 篇论文中任何一个记忆方向的工作。赞分享【免费下载链接】Awesome-Reliable-Self-Evolving-AgentsDiving into Reliable Self-Evolving Agents: A Survey项目地址https://gitcode.com/gh_mirrors/aw/Awesome-Reliable-Self-Evolving-Agents点击查看免费下载相关推荐潜入AI智能体自我演化研究Awesome Reliable Self-Evolving Agents论文清单完全指南潜入AI智能体自我演化研究Awesome Reliable Self Evolving Agents论文清单完全指南 Awesome Reliable Sel从SPIN到Absolute Zero自博弈如何让LLM自我进化Awesome Reliable Self-Evolving Agents 完整导读从SPIN到Absolute Zero自博弈如何让LLM自我进化Awesome Reliable Self Evolving Agents 完整导读 AweQOwnNotes 翻译协作指南基于 Crowdin 的本地化工作流与质量标准QOwnNotes 翻译协作指南基于 Crowdin 的本地化工作流与质量标准 本文是一份面向翻译贡献者的 QOwnNotes 本地化操作手册系统讲解如何通上一篇astropy.io.misc 模块指南ECSV、HDF5、Parquet、PyArrow CSV 与 YAML 的统一表格读写下一篇CANN/asc-devkit SIMT乘法函数创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
