Darwin-Claw：面向递归自演化智能体的环境自适应经验整合

尽管大型语言模型（LLM）智能体已展现出处理复杂任务的卓越能力，但它们大多运行于相互隔离的会话中，缺乏持续从历史交互中学习或适应用户特定环境的能力。现有的自演化范式通常会不加区分地将原始交互轨迹注入记忆或技能模块，导致行为模式模糊不清，并削弱更新的可控性。此外，随着基础 LLM 推理能力的提升，智能体演化的瓶颈正从积累通用知识转向有效管理情境经验。为此，我们提出 Darwin-Claw，一种环境自适应的自演化框架，通过系统化提炼情景经验，推动操作技能与持久记忆的全面演化。Darwin-Claw 以智能体执行者与演化器评判者的迭代协同适应为理论基础，引入了 Hierarchical Experience Consolidation System，从中提取细粒度的错误归因，并将其泛化为动态更新的原型向量。这种结构化的情境经验既可作为用于上下文敏感感知的交互补丁，也可作为技能优化的显式信号。在实践层面，Darwin-Claw 是一种易于部署的自动化框架，与主流智能体系统兼容，无需人工整理。WildClawBench 上的大量实验表明，Darwin-Claw 能够带来显著的性能提升，为现实生态系统中自主智能体持续且以用户为中心的适应建立了一条可控、稳定的路径。