Jürgen团队｜大模型智能体如何实现“自我纠错”与“自主进化”？97页全景解读，明日直播
报告主题：现代智能体系统演进脉络和核心路径，97页全景解读 英文主题：Self-Improvements in Modern Agentic Systems: A Survey 议题详情： 大模型及其驱动的智能体展现出了接管复杂工作流的巨大潜力。
然而，在真实多变的环境中，现有智能体往往高度依赖人类的持续介入（如打磨提示词、更新知识库或调整代码）。
智能体能否通过历史任务经验实现“举一反三”和“自我纠错”，进而自主优化其内部模型与外部工具？这正是“自我改进智能体”（Self-Improving Agents）所聚焦的核心命题。随着基础模型能力的提升，智能体获取能力增益的方式正在发生实质性转变。
从传统的基于人工标注的训练，到如今依靠模型内部反思或环境交互驱动的自动优化，该领域已在指令反演、提示词自动优化、工具自主创造等方向积累了大量工作。然而，目前学界对于“自我改进”仍缺乏一个统一的系统级定义和全景式的分类框架，使得当前的技术进展显得较为碎片化。
为系统厘清这一领域，吉林大学与 KAUST 联合团队发布长达 97 页的自我改进智能体全景综述，详细回顾了多项相关研究： 追溯了自 1790 年代以来计算科学中的“自我改进”思想与哥德尔机（Gödel Machines）等理论雏形，更首次将现代智能体的自我改进形式化为一种系统级的“更新算子（Update Operator）”。
研究明确划分了以下两大核心维度，构建了完整的技术图谱： 基础模型参数自进化： 涵盖内部生成样例、内部评估反馈、外部试错经验。脚手架自进化： 涵盖提示词优化、记忆管理、工具创造、全局架构迭代。
展望未来，我们希望这篇综述能够为现有研究提供一个清晰的坐标系，帮助研究者与开发者更好地打通模型底层优化与上层系统工程，为构建具备高可靠性、持续演进能力的下一代智能体系统奠定基础。报告论文：https://arxiv.org/abs/2607.13104v1 郭丹丹教授长期深耕统计可信机器学习、基于大语言模型的结构化数据可信推理等前沿领域。
近年来在人工智能领域国际顶级会议（NeurIPS, ICML, ICLR）及顶级期刊（IEEE TPAMI, IEEE TIP, IJCV）发表论文 40 余篇，其中以第一或通讯作者发表 CCF-A 类 / 中科院 1 区文章 30 余篇。
多项代表性成果荣获 ICLR 2024 Spotlight (Top 5%)、NeurIPS 2025 Spotlight (Top 3%) 及 ICML 2026 Oral (Top 3%) 等顶级荣誉。主持国家自然科学基金青年项目，并入选吉林省高层次人才及吉林大学培英工程。更多活动 内容中包含的图片若涉及版权问题，请及时与我们联系删除