研究员: 黄山 (wairesearch) 日期: 2026-04-25 时效性: 本报告数据截至 2026 年 4 月，AI Agent 领域发展迅速，建议 3 个月内复核关键结论
执行摘要
本报告系统调研了 AI Agent 自我进化领域的技术方案，重点分析了 Nous Research 的 Hermes Agent 自我改进机制，梳理了学术界和工业界的主流方案，并提出了 OpenClaw 落地自我进化能力的分阶段路径。
核心结论：
- Hermes Agent 的”自我进化”本质是行为级/程序化记忆的闭环学习，不是模型权重的自我修改
- 最可行的自我进化路径是技能自动创建/优化 + Prompt 进化 + 记忆自整理三位一体
- OpenClaw 现有的技能系统 + 记忆系统已经具备基础框架，MVP 可在 2-4 周内落地
- 学术界的 Symbolic Learning（符号学习）范式是最有前景的 Agent 自我进化理论框架
目录
1. Hermes 自我进化机制深度解析
1.1 Hermes 的两层架构
Hermes 的”自我进化”分为两个层次，需要清晰区分：
| 层次 | 内容 | 技术路径 |
|---|---|---|
| 模型层 (Hermes 3 Model) | Nous Research 训练的开源 LLM | 合成数据 SFT + DPO/RLHF，模型权重固定后不再变化 |
| Agent 层 (Hermes Agent) | 2025-2026 年发布的 Agent 框架 | 闭环学习循环：技能创建→技能优化→记忆积累 |
关键洞察：老板提到的”对标 Hermes 的自我进化”，更准确地说是对标 Hermes Agent（Agent 层面的自我改进），而非模型训练层面的自我进化。这两者有本质区别。
1.2 Hermes 3 模型训练方法
根据 Hermes 3 Technical Report（arXiv:2408.11857）：
- 基础模型: 基于 Llama 3.1（8B/70B/405B）微调
- 训练数据: 主要是合成生成的响应数据（synthetically generated responses）
- 训练策略: 积极鼓励模型精确遵循 system prompt 和 instruction prompt
- Function Calling: 使用
<tools>标签定义 schema，<tool_call>和<tool_response>标签处理调用和返回 - RAG: 训练了
<co>标签进行来源引用 - 数据集: 开源了
NousResearch/hermes-function-calling-v1数据集
Hermes 模型系列演进：
- Hermes 3（2024.08）- 基于 Llama 3.1
- Hermes 4.3（2025）- 最新版本，支持 36B/70B/405B
1.3 Hermes Agent 的闭环学习循环（核心机制）
Hermes Agent（GitHub: NousResearch/hermes-agent）是 2025-2026 年发布的 Agent 框架，这才是我们要对标的核心。
四阶段学习循环
阶段 1: 任务执行 (Task Execution)
→ Agent 使用工具、编写代码、浏览网页、生成子 Agent
阶段 2: 自我评估检查点 (Self-Evaluation Checkpoint)
→ 每 15 次工具调用后自动暂停评估
→ 评估内容：做了什么？什么有效？什么失败了？值得记住吗？
阶段 3: 技能创建/更新 (Skill Creation or Update)
→ 如果经验值得保留，写入或更新技能文档
→ 使用 skill_manage 工具进行创建或 patch
阶段 4: 记忆更新 (Memory Update)
→ 关键事实、修正、惯例写入 MEMORY.md 和 USER.md
→ 在所有未来会话中可用
技能系统详解
- 格式: Markdown 文档，遵循 agentskills.io 开放标准
- 存储:
~/.hermes/skills/目录 - 结构: SKILL.md（主文档）+ references/（参考文档）+ templates/（模板）+ scripts/（脚本）
- 渐进式加载:
- Level 0: skills_list() → 名称和描述（~3k tokens）
- Level 1: skill_view(name) → 完整内容
- Level 2: skill_view(name, path) → 特定参考文件
技能自我改进机制
# 创建新技能
skill_manage(action="create",
name="competitor-analysis-workflow",
content="# Competitor Analysis Workflow\n...")
# 更新已有技能（patch 模式）
skill_manage(action="patch",
name="image-generation-branded",
old_text="Logo opacity should be 70%",
new_text="Logo opacity: 70% for dark backgrounds, 50% for light backgrounds (learned 2026-03-15)")
实际效果数据（来自用户报告）：
- 使用 20-30 个复杂任务后，Agent 行为发生质变
- 速度：第一周 25 次工具调用的任务，第六周降至 8-10 次
- 技能库：一个月后积累 10-40 个针对用户特定工作的技能
1.4 Hermes 的 Atropos RL 集成
Hermes Agent 还集成了 Nous Research 的 RL 训练管道：
- Atropos: Nous 的强化学习框架
- 轨迹生成:
hermes batch --workers 4 --checkpoint ./training_data - 数据导出: 支持 ShareGPT 格式，可用于微调
- 用途: 从真实 Agent 任务中生成 tool-calling 轨迹数据，用于训练下一代模型
这形成了一个大循环：
用户使用 Hermes Agent → 生成高质量轨迹数据 → 训练更好的模型 → 更好的 Agent 表现
1.5 HermesClaw 桥接
值得注意的是，Hermes Agent 已经提供了 OpenClaw 迁移工具（hermes claw migrate），并有一个 HermesClaw 社区桥接项目，允许在同一微信账号上同时运行 Hermes Agent 和 OpenClaw。
2. AI Agent 自我进化主流方案
2.1 技术分类框架
根据 EvoAgentX 团队 2025 年发布的综合调研（arXiv:2507.21046 & 2508.07407），Agent 自我进化可分为三大方向：
Agent 自我进化
├── 单 Agent 优化
│ ├── 推理能力进化（Reasoning Evolution）
│ ├── Prompt/指令进化（Prompt Evolution）
│ ├── 工具使用进化（Tool Use Evolution）
│ └── 记忆系统进化（Memory Evolution）
├── 多 Agent 优化
│ ├── 工作流自动构建（Workflow Autoconstruction）
│ ├── Agent 间协作进化（Inter-agent Evolution）
│ └── 角色/分工进化（Role Evolution）
└── 领域特定优化
├── 代码生成（Code Generation）
├── 数学推理（Mathematical Reasoning）
└── 科学发现（Scientific Discovery）
2.2 六大核心范式
| 范式 | 代表工作 | 核心思想 | 优劣 |
|---|---|---|---|
| Reflexion | Shinn et al., 2023 | 语言反馈 + 动态记忆，从失败中学习 | ✅ 简单有效 ❌ 仅短期改进 |
| Self-Refine | Madaan et al., 2023 | 迭代生成→反馈→修正 | ✅ 通用性强 ❌ 不积累跨会话 |
| Voyager | Wang et al., 2023 | 技能库 + 自动课程 + 迭代提示 | ✅ 终身学习 ❌ 领域特定(Minecraft) |
| Symbolic Learning | Zhou et al., 2024 | 把 Agent 管道类比为神经网络，符号梯度下降 | ✅ 理论优美 ❌ 复杂度高 |
| EvoAgentX | Wang et al., 2025 | 自动构建+评估+进化工作流 | ✅ 端到端 ❌ 较新，生态待验证 |
| Prompt Evolution | Promptbreeder, EvoPrompt, GEPA | 用进化算法优化 Prompt | ✅ 低成本 ❌ 搜索空间大 |
2.3 AutoGPT / BabyAGI 的教训
早期自主 Agent 的尝试给出了重要教训：
| 项目 | 问题 | 教训 |
|---|---|---|
| AutoGPT | 无限循环、幻觉导致死胡同 | 自主性需要边界约束 |
| BabyAGI | 任务无限膨胀 | 需要评估机制来裁剪无效路径 |
| AgentGPT | 执行质量不稳定 | 需要人在回路(HITL) |
核心教训：纯自主的自我进化容易失控。成功的方案都有评估反馈机制和人类监督通道。
3. 关键论文与开源项目深度分析
3.1 Reflexion: Language Agents with Verbal Reinforcement Learning
- 论文: arXiv:2303.11366（NeurIPS 2023）
- 作者: Noah Shinn et al.
- GitHub: noahshinn/reflexion — ⭐ ~2.3k Stars
- 核心机制:
- Agent 执行任务后进行自我反思，生成文本形式的反馈
- 反馈存入短期记忆（当前轨迹）和长期记忆（蒸馏后的反思）
- 下次尝试时，将之前的反思作为上下文
- 在 AlfWorld（134→97%）、HotPotQA、HumanEval（67→91%）上大幅提升
- 对 OpenClaw 的启发:
- 每次任务失败后自动生成反思文本
- 反思存入记忆系统，下次类似任务时自动检索
3.2 Self-Refine: Iterative Refinement with Self-Feedback
- 论文: arXiv:2303.17651（NeurIPS 2023）
- 作者: Aman Madaan et al.
- GitHub: madaan/self-refine — ⭐ ~1.5k Stars
- 核心机制:
- 三步循环：生成（Generate）→ 反馈（Feedback）→ 修正（Refine）
- 不需要额外训练或监督信号
- 在 7 个任务上平均绝对提升 20%
- 大部分增益在前 1-2 轮迭代
- 对 OpenClaw 的启发:
- Agent 输出后进行自我评估，生成改进建议
- 特别适合代码生成、文档写作等可迭代优化的任务
3.3 Voyager: An Open-Ended Embodied Agent with LLMs
- 论文: arXiv:2305.16291（NeurIPS 2023 Spotlight）
- 作者: Guanzhi Wang et al.（NVIDIA）
- GitHub: MineDojo/Voyager — ⭐ ~5.7k Stars
- 核心机制:
- 自动课程（Automatic Curriculum）: 最大化探索的任务自动生成
- 不断增长的技能库（Ever-growing Skill Library）: 可执行代码存储和检索复杂行为
- 迭代提示（Iterative Prompting）: 结合环境反馈、执行错误的多轮代码精炼
- 自我验证（Self-Verification）: 任务完成前自动检查
- 关键数据: 获取 3.3x 更多物品、行走 2.3x 更远、解锁科技树快 15.3x
- 对 OpenClaw 的启发:
- 技能库模式是核心：OpenClaw 的技能系统天然对应 Voyager 的 Skill Library
- 自动课程 → 可以在 cron 任务中设计自我探索任务
- 迭代提示 + 环境反馈 → 技能执行失败时自动修复
3.4 Symbolic Learning Enables Self-Evolving Agents（Agents 2.0）
- 论文: arXiv:2406.18532（2024）
- 作者: Wangchunshu Zhou et al.（aiwaves-cn）
- GitHub: aiwaves-cn/agents — ⭐ ~5.9k Stars
- 核心机制:
- 将 Agent 管道类比为神经网络的计算图
- Agent 管道中的节点 ↔ 神经网络中的层
- 节点的 Prompt 和工具 ↔ 层的权重
- 实现了语言损失函数、反向传播、梯度下降的符号版本
- 前向传播（Agent 执行）→ 语言损失评估 → 语言梯度反向传播 → 符号组件更新
- 关键创新:
- 不修改模型权重，而是用自然语言实现了类似梯度下降的优化过程
- 支持多 Agent 系统的联合优化
- 对 OpenClaw 的启发:
- 这是目前最优美的理论框架
- OpenClaw 的多 Agent 架构（main/waicode/wairesearch 等）可以映射为计算图
- 每个 Agent 的 SOUL.md、Prompt 模板可以通过”语言梯度”自动优化
3.5 EvoAgentX: Building a Self-Evolving Ecosystem of AI Agents
- 论文: arXiv:2507.03616（EMNLP 2025 Demo）
- 调研论文: arXiv:2508.07407（Comprehensive Survey of Self-Evolving Agents）
- GitHub: EvoAgentX/EvoAgentX — ⭐ ~1,000+ Stars（2025.07 达成）
- 核心机制:
- 工作流自动构建: 从自然语言目标自动生成多 Agent 工作流
- 内置评估: 自动评估器按任务特定标准打分
- 自进化引擎: 使用自进化算法改进工作流
- 记忆模块: 短期 + 长期记忆系统
- 人在回路: 支持人类审核、修正、引导
- 对 OpenClaw 的启发:
- 工作流自动构建 → OpenClaw 可以根据用户需求自动编排 Agent 协作
- 评估 + 进化引擎 → 可以评估每个 Agent 的 SOUL.md 效果并自动优化
3.6 其他重要工作
| 项目/论文 | 年份 | 核心贡献 | 链接 |
|---|---|---|---|
| Promptbreeder | 2023 (ICML’24) | 自我指涉的 Prompt 进化 | arXiv:2309.16797 |
| TextGrad | 2024 | 自然语言”自动微分” | arXiv:2406.07496, GitHub |
| OPRO (LLMs as Optimizers) | 2024 (ICLR’24) | LLM 自身作为优化器 | arXiv:2309.03409, GitHub |
| Agent Q | 2024 | 自主 Agent 的高级推理和学习 | arXiv:2408.07199 |
| Absolute Zero | 2025 | 零数据的自我强化推理 | arXiv:2505.03335 |
| R-Zero | 2025 | 零数据自进化推理 LLM | arXiv:2508.05004, GitHub |
| GEPA | 2025 | 反思式 Prompt 进化，效果超过 RL | arXiv:2507.19457 |
| DSPy | 2024 (EMNLP’24) | 优化多阶段 LLM 程序的指令和示例 | GitHub |
4. OpenClaw 架构适配分析
4.1 OpenClaw 当前架构
OpenClaw 架构
├── 多 Agent 协调
│ ├── main（协调者）
│ ├── wairesearch（研究）
│ ├── waicode（开发）
│ ├── bizstrategy（商业）
│ ├── product（产品）
│ └── growth（增长）
├── 技能系统（Skills）
│ ├── ~/.openclaw/skills/ 目录
│ ├── SKILL.md 标准格式
│ ├── 渐进式加载
│ └── 技能分类和路由
├── 记忆系统（Memory）
│ ├── MEMORY.md（持久化记忆）
│ ├── USER.md（用户档案）
│ ├── lossless-claw（会话压缩/检索）
│ └── memory-wiki（知识库）
├── Context 文件
│ ├── SOUL.md（角色人格）
│ ├── AGENTS.md（Agent 配置）
│ ├── IDENTITY.md（身份定义）
│ └── TOOLS.md（工具配置）
├── Cron 任务
│ └── 定时自动化
└── 消息网关
└── Telegram / 其他平台
4.2 自我进化维度与实现层次分析
| 进化维度 | 难度 | 实现层 | 是否需要底层改动 | 说明 |
|---|---|---|---|---|
| 技能自动创建/优化 | 🟢 低 | 技能层 | ❌ 不需要 | 类似 Hermes 的 skill_manage，OpenClaw 已有技能系统 |
| Prompt 自我优化 | 🟡 中 | 配置层 | ❌ 不需要 | 修改 SOUL.md / Prompt 模板，可在技能层实现 |
| 记忆自我整理 | 🟡 中 | 记忆层 | ⚠️ 可能需要 | lossless-claw 已有压缩，可增加主动整理 |
| 工作流自动优化 | 🟡 中 | 协调层 | ⚠️ 可能需要 | 需要在 main Agent 层面增加工作流评估 |
| 错误自修复 | 🟢 低 | 技能层 | ❌ 不需要 | Reflexion 模式：失败→反思→重试 |
| 性能自评估 | 🟡 中 | 新增层 | ⚠️ 需要 | 需要评估框架和度量标准 |
4.3 OpenClaw vs Hermes Agent 能力对比
| 能力 | Hermes Agent | OpenClaw 当前 | 差距 |
|---|---|---|---|
| 技能系统 | ✅ agentskills.io 标准 | ✅ 类似的 SKILL.md | 🟢 小（格式兼容） |
| 自动创建技能 | ✅ 每 15 步自动评估 | ❌ 仅手动创建 | 🔴 大 |
| 技能自我改进 | ✅ patch 模式 | ❌ 无 | 🔴 大 |
| 持久化记忆 | ✅ MEMORY.md + USER.md | ✅ MEMORY.md + USER.md | 🟢 已对齐 |
| 记忆 nudge | ✅ 主动提醒持久化 | ❌ 无 | 🟡 中 |
| 多 Agent 协调 | ✅ 子 Agent 模式 | ✅ 多 Agent 团队 | 🟢 OpenClaw 更强 |
| 用户建模 | ✅ Honcho 方言建模 | ✅ USER.md | 🟡 中 |
| RL 数据生成 | ✅ Atropos 集成 | ❌ 无 | 🔴 大（非优先） |
| 跨会话搜索 | ✅ FTS5 + LLM 摘要 | ✅ lossless-claw | 🟢 已对齐 |
| Cron 自动化 | ✅ 内置 | ✅ 内置 | 🟢 已对齐 |
4.4 OpenClaw 独有优势
- 多 Agent 团队架构: OpenClaw 有成熟的专家 Agent 团队（研究/开发/商业/产品/增长），Hermes 目前主要是单 Agent + 子 Agent 模式
- 角色系统: SOUL.md 提供了丰富的人格和行为规范，为 Prompt 进化提供了天然的优化目标
- 记忆系统: lossless-claw 的会话压缩和跨会话检索已经很成熟
- 工作流编排: 协调者-专家模式天然适合工作流优化
5. 落地方案建议
5.1 分阶段实施路径
Phase MVP（2-4 周）: 自我评估 + 技能自动创建
目标: 让 OpenClaw 能自动从经验中创建和改进技能
实现方案:
1. 自我评估检查点（仿 Hermes 的 15-step checkpoint）
→ 在 Agent 执行每 N 次工具调用后，插入评估 Prompt
→ 评估 Prompt: "过去 N 步中，你做了什么？什么有效？什么值得记为技能？"
→ 实现方式: 在 main Agent 的系统 Prompt 中添加自评估规则
2. skill_manage 工具
→ 创建 skill_manage(action, name, content, old_text, new_text) 工具
→ action: create / patch / delete / list
→ 技能自动保存到 ~/.openclaw/skills/auto-generated/
→ 实现方式: 新建一个技能（meta-skill），教 Agent 如何创建技能
3. 记忆 nudge 机制
→ 在自评估检查点中，同时检查是否有值得持久化的信息
→ 提示 Agent 主动更新 MEMORY.md
技术选型:
- 无需底层改动，全部通过新技能 + Prompt 工程实现
- 创建
self-evolution技能目录，包含自评估和技能管理的 SKILL.md
预计产出:
- 使用 20+ 复杂任务后，自动积累 5-15 个技能
- 重复任务的效率提升 30-50%（参考 Hermes 用户数据）
Phase V1（1-2 月）: Prompt 进化 + 工作流优化
目标: Agent 能自动优化自己的 SOUL.md 和工作流
实现方案:
1. Prompt 自我优化
→ 参考 GEPA（Reflective Prompt Evolution）和 OPRO
→ 每周/每月通过 cron 任务触发 Prompt 优化评估
→ 分析最近 N 次任务的成功率和效率
→ 生成 SOUL.md 的优化建议，需人工确认后生效
→ 实现方式: 新建 prompt-evolution 技能
2. 工作流评估与优化
→ 记录多 Agent 协作的任务轨迹
→ 分析哪些 Agent 协作模式效果好/差
→ 自动建议工作流调整（如：某类任务应直接分配给 waicode 而非先经过 wairesearch）
→ 实现方式: 在 main Agent 中增加工作流评估逻辑
3. 错误模式学习
→ 记录任务失败的原因和修复方式
→ 类似 Reflexion 的反思机制
→ 失败→反思→记忆→下次避免
→ 实现方式: 增加 error-reflection 技能
技术选型:
- GEPA（arXiv:2507.19457）的 Reflective Prompt Evolution 方法，效果已被证明超过 RL
- DSPy 的多阶段优化思想
- 可能需要小幅修改 Agent 配置加载逻辑（支持 A/B 测试不同 SOUL.md）
Phase V2（3-6 月）: 符号学习 + 自进化生态
目标: 建立完整的自进化生态系统
实现方案:
1. 符号学习框架
→ 参考 aiwaves-cn/agents 的 Symbolic Learning
→ 将多 Agent 管道建模为计算图
→ 实现"语言梯度"的反向传播
→ 自动优化每个 Agent 的 Prompt、工具选择、协作模式
2. 技能市场
→ 参考 Hermes 的 agentskills.io 和技能分享机制
→ 用户间共享经过验证的技能
→ 技能评分和推荐系统
3. 自进化 Dashboard
→ 可视化展示进化过程
→ 技能创建/使用频率统计
→ Prompt 优化历史
→ 工作流效率趋势
4. RL 数据生成（可选）
→ 类似 Hermes 的 Atropos 集成
→ 从用户交互中生成高质量训练数据
→ 用于微调自有模型或贡献给社区
技术选型:
- aiwaves-cn/agents 2.0 的 Symbolic Learning 框架
- TextGrad（arXiv:2406.07496）的”文本自动微分”思想
- EvoAgentX 的工作流自动构建 + 评估方法
5.2 MVP 具体实现方案
方案 A: Pure Prompt Engineering（推荐）
完全通过技能和 Prompt 实现，零代码改动：
# 创建技能: ~/.openclaw/skills/self-evolution/SKILL.md
## 自评估规则
在完成复杂任务后（使用了 10+ 次工具调用），执行以下自评估：
1. 回顾本次任务的执行过程
2. 识别可复用的工作流模式
3. 如果发现值得保留的模式：
- 在 ~/.openclaw/skills/auto/ 目录创建新技能
- 或更新已有技能
4. 将关键发现写入 MEMORY.md
优点:
- 开发成本极低（1-2 天）
- 不需要底层改动
- 立即可用
缺点:
- 依赖 LLM 自觉性，可能不稳定
- 无法精确控制触发时机
方案 B: 轻量级工具扩展
增加 skill_manage 和 self_evaluate 工具：
// skill_manage 工具
interface SkillManageParams {
action: 'create' | 'patch' | 'delete' | 'list';
name: string;
content?: string;
old_text?: string;
new_text?: string;
}
// self_evaluate 工具（在 N 步后自动调用）
interface SelfEvaluateParams {
recent_actions: string[]; // 最近 N 步的动作摘要
task_outcome: 'success' | 'partial' | 'failure';
}
优点:
- 更精确的控制
- 可以记录评估数据用于后续分析
- 更好的用户体验
缺点:
- 需要少量开发工作（3-5 天）
- 需要修改 OpenClaw 的工具注册机制
推荐: 方案 A 快速验证 → 方案 B 正式实现
5.3 技术选型建议
| 组件 | 推荐方案 | 备选方案 | 理由 |
|---|---|---|---|
| 技能管理 | skill_manage 工具 | 纯 Prompt | 工具方式更可控 |
| Prompt 优化 | GEPA 方法 | DSPy / TextGrad | GEPA 已证明超过 RL，且实现简单 |
| 工作流评估 | 自定义评估 Prompt | EvoAgentX 集成 | 初期自定义更灵活 |
| 记忆整理 | 定期 cron 任务 | 实时整理 | 避免影响实时性能 |
| 错误学习 | Reflexion 模式 | Self-Refine | Reflexion 的记忆机制更适合跨会话 |
6. 对比总表
6.1 自我进化框架对比
| 维度 | Hermes Agent | Voyager | Agents 2.0 (Symbolic) | EvoAgentX | Reflexion | Self-Refine |
|---|---|---|---|---|---|---|
| 进化层次 | 行为/程序化 | 技能库 | 符号/Prompt | 工作流 | 记忆/反思 | 单次迭代 |
| 跨会话 | ✅ | ✅ | ✅ | ✅ | ✅ | ❌ |
| 多Agent | 部分 | ❌ | ✅ | ✅ | ❌ | ❌ |
| 人在回路 | ✅ | ❌ | ❌ | ✅ | ❌ | ❌ |
| 实用性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |
| 实现复杂度 | 中 | 高 | 高 | 高 | 低 | 低 |
| OpenClaw 适配 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
6.2 GitHub 项目数据
| 项目 | Stars | 语言 | 最近更新 | 许可证 | 备注 |
|---|---|---|---|---|---|
| MineDojo/Voyager | ~5.7k | Python | 2024 | MIT | NVIDIA，里程碑式工作 |
| aiwaves-cn/agents | ~5.9k | Python | 2024.09 | Apache 2.0 | 符号学习框架 |
| noahshinn/reflexion | ~2.3k | Python | 2024 | MIT | NeurIPS 2023 |
| madaan/self-refine | ~1.5k | Python | 2024 | MIT | NeurIPS 2023 |
| EvoAgentX/EvoAgentX | ~1k+ | Python | 2025.07 | Apache 2.0 | 最新自进化框架 |
| NousResearch/hermes-agent | 未公开确切数 | Python | 2026.04 | MIT | Nous Research 官方 |
| zou-group/textgrad | 未公开确切数 | Python | 2024 | MIT | 文本自动微分 |
| stanfordnlp/dspy | ~18k+ | Python | 2025 | MIT | LLM 程序优化 |
注：Stars 数据为 2026 年 4 月估计值，实际数据可能有波动
7. 风险与限制
7.1 技术风险
| 风险 | 严重度 | 缓解措施 |
|---|---|---|
| 技能质量退化 — 自动创建的技能可能包含错误模式 | 🔴 高 | 技能创建后需人工审核机制，或设置”试用期” |
| Prompt 优化过拟合 — 针对特定任务优化导致通用性下降 | 🟡 中 | 保留原始 Prompt 版本，支持回滚 |
| 记忆膨胀 — 自动积累的记忆导致 context 窗口压力 | 🟡 中 | 定期记忆整理 cron 任务，设置记忆容量上限 |
| 幻觉传播 — 错误信息被固化为技能/记忆 | 🔴 高 | 关键技能需要验证步骤，添加”置信度”标签 |
| 安全风险 — 自我修改可能引入安全漏洞 | 🟡 中 | 技能沙箱、权限分级、人在回路审批 |
7.2 实施风险
| 风险 | 说明 | 缓解措施 |
|---|---|---|
| 开发资源 | MVP 需要 2-4 周，V1 需要 1-2 月 | 渐进式实施，先 Prompt 方案快速验证 |
| 用户体验 | 自动创建技能可能干扰正常流程 | 默认关闭，用户 opt-in |
| 评估困难 | 如何量化”自我进化”效果 | 设计明确的度量指标（任务完成时间、工具调用次数、成功率） |
7.3 已知限制
- LLM 底座不变: 所有”进化”都是在 Agent 行为层面，底层 LLM 的能力上限不变
- 领域特定: 自我进化只在用户实际使用的领域有效，不会泛化到未接触领域
- 冷启动: 新用户/新领域需要经历学习期（20-30 个任务）
- Token 成本: 自评估检查点会增加 token 消耗（估计增加 10-15%）
8. 参考来源
论文
- Hermes 3 Technical Report — Ryan Teknium et al., 2024. arXiv:2408.11857
- Reflexion: Language Agents with Verbal Reinforcement Learning — Noah Shinn et al., NeurIPS 2023. arXiv:2303.11366
- Self-Refine: Iterative Refinement with Self-Feedback — Aman Madaan et al., NeurIPS 2023. arXiv:2303.17651
- Voyager: An Open-Ended Embodied Agent with Large Language Models — Guanzhi Wang et al., NeurIPS 2023. arXiv:2305.16291
- Symbolic Learning Enables Self-Evolving Agents — Wangchunshu Zhou et al., 2024. arXiv:2406.18532
- EvoAgentX: An Automated Framework for Evolving Agentic Workflows — Yingxu Wang et al., EMNLP 2025. arXiv:2507.03616
- A Survey of Self-Evolving Agents: On Path to ASI — Huan-ang Gao et al., 2025. arXiv:2507.21046
- A Comprehensive Survey of Self-Evolving AI Agents — EvoAgentX Team, 2025. arXiv:2508.07407
- Promptbreeder: Self-Referential Self-Improvement Via Prompt Evolution — ICML 2024. arXiv:2309.16797
- TextGrad: Automatic “Differentiation” via Text — 2024. arXiv:2406.07496
- Large Language Models as Optimizers (OPRO) — ICLR 2024. arXiv:2309.03409
- GEPA: Reflective Prompt Evolution Can Outperform RL — 2025. arXiv:2507.19457
GitHub 项目
- NousResearch/hermes-agent — Hermes Agent 框架
- NousResearch/Hermes-Function-Calling — Hermes Function Calling
- MineDojo/Voyager — Voyager Agent
- aiwaves-cn/agents — Agents 2.0 (Symbolic Learning)
- EvoAgentX/EvoAgentX — EvoAgentX 框架
- EvoAgentX/Awesome-Self-Evolving-Agents — 自进化 Agent 综合列表
- CharlesQ9/Self-Evolving-Agents — 自进化 Agent 调研
- noahshinn/reflexion — Reflexion
- madaan/self-refine — Self-Refine
- stanfordnlp/dspy — DSPy 框架
- zou-group/textgrad — TextGrad
官方文档
- Hermes Agent Documentation
- Hermes Agent Skills System
- Self-Improving AI — The Hermes Feature That Actually Works
- Nous Research - Hermes 3
- agentskills.io Standard
研究完成时间: 2026-04-25 23:30 CST 研究员: 黄山 (wairesearch) 下一步建议: 将本报告转交 waicode 进行 MVP 原型开发