昨天分享 Agent Infra，一个好的 Infra 已经可以让Agent自动进化了。

然后，我去搜索了一下相关的开源框架，然后还真找到了一个。 仔细研究了一下原理，今天给家人们分享一个自我进化的智能体，到底是怎么做出来的？

什么是自进化AI？（Self-Evolving AI）

传统的Agent工作流，本质上是一个固定的程序。我们预先设定好Prompt、工具和流程，然后期望它能在特定任务上表现良好。

自进化AI的核心思想，是把Agent从一个固定的工具，变成一个动态的生命体。

它拥有一个核心的反馈循环：执行 -> 评估 -> 进化。

简单来说，它不仅会执行，还会复盘：

像普通Agent一样，完成你给定的任务；

完成后，一个内置的评估器会根据预设的标准（比如代码生成的准确率、问答的F1分数等）给它的表现打分。

如果分数不理想，一个优化器就会启动，分析问题出在哪里，然后自动修改它自己的Prompt、甚至是整个工作流的结构，生成一个进化版的自己，然后再去尝试，直到性能达标。

那效果怎么样呢？大佬们搞了个实验：他们把社区里两个已有的开源多智能体框架（Open Deep Research 和 OWL）拿过来，只用EvoAgentX的优化器去优化它们的Prompt，然后放到更难的GAIA基准上测试。

结果是，仅通过自动化的Prompt优化，这两个系统的性能都得到了明显的提升。

到底如何做到自我进化？

进化的核心是几个优化器：

SEW优化器、 TextGrad优化器、 AFlow优化器、MiPro优化器：多提示优化器

接下来我尝试用尽量尽量简单的方式来讲清楚他们的差异和原理。 当然再往下滑会有具体的代码原理示例。

TextGrad

用基于梯度的方法来优化Prompt。

在一次任务执行后，它会让大模型反馈出输入指令中每个部分对最终结果的影响力权重。

• 如果某个词的权重是负的，说明它很可能误导了模型。
• 如果某个词的权重是正的，说明它对得到正确答案至关重要。

然后针对性地进行修改，不断迭代，直到找到一个最优的表达。

SEW

如果说TextGrad是优化Prompt，那SEW就是优化Workflow。

SEW 模仿进化论，物竞天择，适者生存。

比如说，一个工作流（ Agent A -> Agent B -> Agent C）。

然后，对这个序列进行变异操作，例如：

• 改变顺序：试试 Agent A -> Agent C -> Agent B 会不会更好？
• 增加成员：在A和B之间插入一个新的 Agent D 会不会更好？
• 删除成员：去掉 Agent C 会不会更高效？
• 替换成员：把 Agent B 换成能力更强的 Agent B_plus 会不会更好？

经过一轮轮的变异和优胜劣汰的评估，SEW 最终会产出一个全新的、结构上可能完全不同的工作流定义。

AFlow

相比于SEW，AFlow 的思路更聚焦，它接受我们定义的工作流结构，但认为在执行这个流程时，可以有更聪明的策略。

AFlow 把工作流的执行过程看作一个决策树。在每一步，它都会面临一个选择：接下来应该调用哪个Agent？

它使用蒙特卡洛树搜索，来预演不同的执行路径，从而找到通往最终目标的最优路径。

例如，一个复杂任务可能不需要严格按照 A -> B -> C 的顺序，也许 A -> C 就直接解决了，或者 A -> B -> A 这样回头调用一次A效率更高。

AFlow 就是要找出这个最高效的执行路径。

MIPRO

这是一种与模型无关的迭代提示优化方法，它不关心模型内部是怎么想的，只看最终输出的结果，然后通过黑箱评估和自适应重排序来不断猜出更好的提示。

不断摇奖，拼最好的一个prompt。

以 SEW 优化器为例，简单看看具体逻辑

应用流程如下，类似于Pytorch训练模型一样：

from evoagentx.optimizers import SEWOptimizer
from evoagentx.benchmark import Benchmark

# 创建优化器
optimizer = SEWOptimizer(
    graph=workflow_graph,
    evaluator=evaluator,
    max_steps=10
)

# 开始自动进化
optimizer.optimize(dataset=benchmark_dataset)

进一步内部来看，评估 -> 新的结构/提示词 -> 重新评估

# 1. 评估当前性能
metrics = self.evaluate(dataset)

# 2. 生成新的结构或提示词
if self.optimize_mode in ["all", "structure"]:
    graph = self._wfg_structure_optimization_step(graph)
if self.optimize_mode in ["all", "prompt"]:
    graph = self._wfg_prompt_optimization_step(graph)

# 3. 重新评估并选择最优
new_metrics = self.evaluate(dataset, graph=graph)
if new_metrics["score"] > best_score:
    best_graph = graph

在进一步，其实是通过LLM理解整个工作流的目标和结构，然后为每个任务生成更精确、更有效的提示词。

# 遍历工作流中的每个任务
for i, task in enumerate(graph_info["tasks"]):
        original_prompt = task["prompt"]  # 获取原始提示词

# 构建优化提示词，包含：
# 1. 任务描述
# 2. 整个工作流步骤
# 3. 当前任务的原始指令
        optimization_prompt = "Task Description: " + task_description + "\n\nWorkflow Steps:\n" + graph_repr + f"\n\nINSTRUCTION for the {i+1}-th task:\n\"\"\"\n" + original_prompt + "\n\"\"\""

# 添加优化指令
        optimization_prompt += f"\n\nGiven the above information, please refine the instruction for the {i+1}-th task.\n"
        optimization_prompt += r"Note that you should always use bracket (e.g. `{input_name}`) to wrap the inputs of the tasks in your refined instruction.\n"
        optimization_prompt += "Only output the refined instruction and DON'T include any other text!"

# 使用提示词繁殖器生成新的优化提示词
        new_prompt = self._prompt_breeder.generate_prompt(task_description=task_description, prompt=optimization_prompt, order=self.order)

# 更新任务提示词
        graph_info["tasks"][i]["prompt"] = new_prompt

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 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】