AgentEvolver：通过任务执行实现系统级自我演化

智能体可以完成任务，却不一定会改进其工作方式。要将任务经验转化为可复用能力，需要把发生变化的组件与其评估及后续使用连接起来。我们提出 AgentEvolver，这是一种在任务执行过程中开发能力、同时保持基础模型不变的系统。八类实体通过一个统一的版本化生命周期，使可复用的操作、方法、智能体、控制流、接口和支持状态能够被修订。共享的 Runtime 协调持续进行的工作，而持久化规划和可恢复上下文则保留任务方向及支持性证据。我们在 SWE-bench Pro Public 上评估任务结果，并考察六个应用案例中的能力变化。研究团队报告称，引入演化后，任务解决率达到 82.08\%，超过其报告的未引入演化时的基线。案例显示，保留的能力被用于后续的网站、游戏和研究工作，同时也记录了未完成的目标和一次未成功的策略。这些发现区分了可复用组件的改进与最终任务的成功。AgentEvolver 为通过执行研究能力累积提供了具体基础；独立任务迁移和总开发成本仍是有待解决的问题。