“自我进化”是2026年Agent最热的词汇之一。每篇论文都在宣称自己的方法让LLM Agent能够”从经验中学习”、”持续自我改进”。但如果你把这些Agent放到真实的流式任务场景里，它们真的还在进化吗？

Microsoft和CASIA的研究者最近发表了一篇很扎实的论文——AgentStream（arXiv: 2608.00155）。他们做的事情很简单：不再在隔离的单任务上做评估，而是把Agent扔进真实的流式任务环境里。结果，那些在论文里光鲜的”自我进化”方法，原形毕露。

问题出在哪里：隔离评估的幻觉

过去所有关于Agent自我进化的研究，评估方式几乎都是一个套路：给Agent一个任务，让它完成，然后评估。下一个任务再来一遍，完全独立。

但现实世界不是这样的。真实场景中，Agent面对的是流式任务——任务一个接一个来，可能跨领域，可能交替出现，Agent需要基于历史经验做判断。这两种评估方式的差距，可能比很多人意识到的要大得多。

论文的核心批评就在这里：隔离评估高估了自我进化的实际效果。在隔离环境下，任务分布一致、方法论容易优化，但一旦进入真实的任务流，许多”进化”出来的能力根本不稳定。

AgentStream的方法：三种流式场景

研究团队构建了一套统一的评估框架AgentStream，把现有的Agent基准测试组织成可配置的任务流，在测试时实例化了三种递进的流式场景：

  • Isolated（隔离场景）：每个任务独立完成，任务之间没有交叉，评估的是最理想的进化条件
  • Sequential（顺序场景）：任务按领域分组依次出现，比如先连续做5个编程任务，再做5个推理任务——这里出现了跨领域干扰
  • Interleaved（交错场景）：任务在多个领域之间交替出现，比如编程、推理、规划任务穿插着来——更接近真实部署的复杂度

他们选了5种有代表性的自进化方法，在3个前沿基础模型上，在6个基准测试上做了组合评估。这套方法论本身就很值得借鉴：把方法、模型、场景三个维度解耦，才能看清楚每个变量到底在起什么作用。

三个反直觉的关键发现

1. 弱模型越进化越差

这是论文最刺激的结论之一。在流式场景下，能力较弱的模型不仅没有从自我进化中受益，反而性能下降了。

原因很直觉：弱模型本身从失败经验中提取有效知识的能力就不足。当它”反思”自己的错误时，往往学到的是错误或噪声知识，然后在下一次任务中把这些错误知识又用了进去。结果是越反思越乱。

这个发现对 practitioners 的警示很明显：如果你的底座模型本身能力不够，别指望通过”自我进化”来弥补——你很可能在帮倒忙。

2. 进化收益是模型能力的非线性函数

这个结论更微妙。不是说模型越强进化收益越高——中等能力的模型从自我进化中获益最大，最强模型的额外收益反而相对有限。

原因是：最强模型的基线性能已经很高了，进化的边际收益递减；而弱模型则是根本学不到有价值的东西。中间那一档的模型，刚好有足够的”学习带宽”来消化经验教训，同时基线又不是那么高不可攀。

这意味着，如果你要在某个模型上启用自我进化，先评估它处于哪个能力区间，而不是无脑开启。

3. 没有通用最优进化方法

这是论文最实用的结论。在隔离场景下，上下文集成类方法表现最好，因为任务分布一致，积累的经验高度相关。但在交错场景下，基于检索的方法开始显示出优势——因为检索机制能够更有效地抑制跨域干扰，从历史经验中精准提取相关知识。

换句话说：根本没有一种方法在所有场景、所有模型上都管用。你用GPT-4o最优的配置，换到Claude可能就不work；你在单任务隔离评估里验证有效的方法，放到交错场景可能反而拖累性能。

更有意思的一个反直觉发现：交错场景（Interleaved）通常优于顺序场景（Sequential）。原因是交错的多样性反而帮助Agent建立了更具迁移性的知识结构，而顺序场景的连续同类任务会放大跨域噪声的干扰。

对实践者的含义

说了这么多，对于真正在做Agent系统的工程师，这篇论文意味着什么？

第一，先测真实场景再上生产。 如果你开发了一套自我进化机制，强烈建议在隔离评估之外加一套流式场景测试。尤其是任务来源多元、生产环境复杂的系统，隔离评估给你的信心是虚高的。

第二，底座模型能力是天花板。 在选择是否启用、如何配置自我进化之前，先搞清楚你的底座模型处于什么能力水平。弱模型上，与其花时间调自我进化策略，不如先换一个更强的底座。

第三，不要迷信”最佳实践”。 论文里的对比实验告诉我们，很多流行的自我进化方法在某些场景下有效，在另一些场景下可能是有害的。配置选择需要基于你的实际任务流特征来做判断，而不是照搬别人的方案。

第四，考虑检索增强的进化架构。 在任务来源多样、跨域明显的场景下，基于检索的进化机制比纯参数化的自我反思更稳定。检索机制提供了更好的知识隔离，不容易让无关领域的经验污染当前任务。

总结

AgentStream的核心贡献不是提出了某个新方法，而是揭示了一个被长期忽视的评估缺陷——在隔离环境下，自我进化是一个被美化的故事；但一旦进入真实的流式任务流，许多方法要么失效，要么适得其反。

最值得记住的三句话：

  • 弱模型自我进化，越进化越差
  • 进化收益非单调，中间档模型最受益
  • 没有通用最优方法，场景和模型共同决定选择

自我进化不是银弹，但它也不是伪命题。关键在于匹配——底座能力与进化方法的匹配，评估场景与部署场景的匹配。AgentStream给我们提了个醒：在把”自我进化”部署到生产环境之前，先用流式场景做一次reality check。

论文：AgentStream: How Well Do Self-Evolving LLM Agents Perform Under Streaming Tasks?（arXiv: 2608.00155）
作者：Dong Yan, Jian Liang, Dapeng Hu, Ran He, Nicholas Jing Yuan, Qi Zhang, Tieniu Tan（Microsoft + CASIA）
代码：https://github.com/Jasper-Yan/AgentStream