ScholarEvolve系统让AI智能体自主读论文改代码，Qwen3.5任务完成率提升14个百分点

AI智能体正从“执行指令”走向“自我改进”，而最新进展显示：它们已能像人类研究员一样，主动阅读论文、理解算法、修改自身代码——整个过程无需重新训练底层模型。

这一突破来自加州大学圣塔芭芭拉分校（UCSB）与微软的联合研究，其成果以《Learning from Research: Toward Lifelong Agent Harness Evolution》为题发布于arXiv，并开源了实现框架ScholarEvolve。该系统的核心目标是解决当前智能体进化中的关键瓶颈：现有自优化方法严重依赖模型已有知识与历史失败经验，难以主动探索未知解法；而人类科研者则可通过阅读最新文献获取跨领域思路。ScholarEvolve正是将这一“文献驱动改进”流程自动化。

传统Agent的运行依赖一套软件层，称为“Agent Harness”，它涵盖工具调用、上下文管理、技能封装、记忆机制与工作流编排五大模块。过去，Meta等团队尝试让Coding Agent分析任务失败后自行修改Harness代码，但其改进空间受限于模型自身的知识边界。例如，若某篇论文提出了新型记忆压缩策略，而模型从未见过类似表述，它便无法自发复现该方案。

1）模块化诊断：系统首先对当前Harness进行功能拆解，识别薄弱环节（如记忆丢失、长程规划失效）；

2）定向文献检索：Research Agent基于问题类型，在arXiv等平台搜索近一年相关论文，优先筛选含可实现算法的实证研究；

3）算法提取与代码生成：从论文中解析核心方法（如新的上下文摘要策略或任务分解逻辑），由Coding Agent将其转化为Python模块；

4）模块融合与验证：新模块被插入对应功能位（如替换原Memory组件），并通过沙盒环境测试其对任务成功率的影响；

5）迭代保留最优版本：仅当新Harness在验证集上显著优于基线时，才被采纳为下一代配置。

该流程的关键设计是“话题引导探索”（topic-guided exploration）：系统不盲目遍历所有论文，而是围绕当前Harness的缺陷定向挖掘。例如，当检测到Agent在多步骤任务中频繁遗漏中间结果时，会聚焦“长期记忆增强”“上下文压缩”类论文；若工作流断裂频发，则转向“分阶段任务规划”“子目标生成”方向。

实验结果验证了该方法的有效性。研究团队在AppWorld Challenge基准上测试了Qwen3.5-27B模型，该挑战要求Agent操作真实应用（如浏览器、文件系统、计算器）完成复杂任务。未优化前，基础Harness的任务完成率为49.6%；接入ScholarEvolve后，系统自动整合了3篇近期论文中的技术（包括一种动态上下文剪枝策略与一种基于反馈的工作流重规划机制），最终完成率提升至63.6%，绝对增益达14.0个百分点。值得注意的是，这一提升完全发生在模型参数冻结的前提下，仅通过更新Harness代码实现。

ScholarEvolve系统架构图：左侧为元Harness演化流程，中间为“从研究中学习”模块，右侧为性能对比柱状图

更进一步，ScholarEvolve支持“终身演化”（lifelong evolution）：随着新论文持续发布，系统可周期性重启研究循环，不断吸纳前沿方法。论文指出，在为期两周的持续运行中，系统共评估了217篇论文，成功集成9个有效模块，平均每次迭代带来1.2–2.8个百分点的稳定提升。

这一进展标志着AI智能体开发范式的转变：从“依赖更大模型”转向“更聪明的系统设计”。正如作者所言：“Agent的上限不仅由LLM决定，更由其运行时架构的可进化性决定。”当 Harness 本身具备持续吸收学术成果的能力，智能体便可能摆脱对单一模型迭代的路径依赖，形成类似科研社区的知识积累机制。

论文标题页：Learning from Research: Toward Lifelong Agent Harness Evolution，作者含Jingbo Yang、Kwei-Herng Lai等，机构为UCSB与Microsoft

同期，其他团队也在探索类似方向。香港科技大学提出的“第四大学”（The Fourth Institute）聚焦构建Agent社群协作环境，强调长期身份（Resident）与思维网（Thought Network）以激发集体创造力；而中科大与复旦的GraphForge则致力于合成高质量Working Agent训练轨迹，通过证据图锚定任务真实性与可验证性。这些工作共同指向一个趋势：AI智能体的实用化，正从单点能力突破转向系统级工程与知识生态建设。

目前，ScholarEvolve代码已开源至GitHub（https://github.com/UCSB-NLP-Chang/ScholarEvolve），支持主流Agent框架集成。研究人员提醒，该方法仍面临挑战：论文质量参差导致算法复现失败率约37%；部分数学推导难以直接转为可执行代码；且跨模块组合可能引发副作用（如新记忆策略干扰工作流调度）。未来工作将聚焦提升文献理解鲁棒性与模块兼容性验证机制。

在AI进入“后预训练时代”的当下，如何让智能体持续成长而非停滞于初始配置，已成为关键课题。ScholarEvolve提供了一条可行路径：让机器学会“做研究”，而非仅“用研究”。