GAIR Paper 104｜Agent 真的能自我進化嗎？我們造了一把它騙不過去的尺子
重點摘要
我們用 GDPevo，衡量出 AI 自進化的真實價值。 作者丨PrismShadow AI 編輯丨岑峰 01為什麼“自進化”突然成了所有人都在搶的賽道？想象一下，你有一個新入職的員工。他一開始什麼都不會，需要你手把手教。但幾周後，他開始自己總結經驗、優化工作流程，甚至能獨立應對從未見過的新問題。
### 重點整理：我們終於有了一把能量 AI 自我進化的尺子
AI 界近期最火熱的賽道，莫過於「自我進化 Agent」（Self-evolving Agent）。想像一下，一個 AI 助理如果能在做完一批任務後，自動總結經驗、調整策略，下一次遇到類似的工作就能做得更準、更快——這正是業界期待的突破。然而，一個根本問題始終被忽略：**我們該怎麼客觀、準確地衡量一個 Agent 到底進步了多少？** 如果連「進化」的尺度都不明確，所有號稱能讓 AI 變強的策略，都只是空談。為了解決這個痛點，研究團隊推出了 **GDPevo**——據稱是第一套針對真實世界經濟活動、專門評估 Agent 自我進化能力的基準。
### 背景脈絡：為什麼「自進化」突然爆紅，又卡在哪裡？
現階段多數的 AI Agent 本質上是「一次性」的：它們每次處理任務都得從頭開始，無法把上個任務學到的經驗帶到下一關。這種設計在複雜的企業流程中格外無力，例如處理發票審核、保險合規或信貸審批，這些任務規則又細又雜，還經常要交叉判斷。因此，資本市場已經大舉押注在能讓 AI「長記性」的新創公司，像是 NeoCognition 或 Recursive 都在近期獲得巨額資金。但學界與業界一直缺乏一把「好用的尺」——一套專為這些與 GDP 直接掛鉤的高價值任務設計的評估標準，更慘的是，多數現有基準還藏著一個大陷阱：**在測試集上訓練**。如果訓練樣本和最終考的題目太像，AI 只要死記硬答就能拿高分，這根本不算進化，只是作弊。
### 核心解法：GDPevo 如何打造一把「騙不過去」的尺？
研究團隊從兩個硬骨頭下手，設計出這
Related
相關文章
剛剛，豆包2.1發佈！Agent自己跑18個小時搞定芯片設計代碼
這篇消息聚焦「剛剛，豆包2.1發佈！Agent自己跑18個小時搞定芯片設計代碼」。原始導語提到：編程比肩Opus 4.7 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
當AI智能體走進伊利一線服務，導購和達人營銷有了新解法
這篇消息聚焦「當AI智能體走進伊利一線服務，導購和達人營銷有了新解法」。原始導語提到：面對越來越專業的消費者，伊利把AI智能體放進導購、社群、達人營銷等快消一線場景，藉助騰訊雲智能體開發平臺ADP 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
QQ 郵箱 Agently Mail 目前支持 OpenClaw 等主流 Agent，騰訊張軍稱後續會開放更多平臺
騰訊 QQ 郵箱推出專為 AI 智能體設計的 Agently Mail 服務，目前支援 WorkBuddy、OpenClaw、豆包超能模式等主流 Agent。騰訊公關總監張軍表示，後續將持續開放更多平台。
Loop Engineering 火了：AI Agent 開始自己幹活，公司準備好背鍋了嗎？
Loop Engineering 近期引發關注，其核心在於重新定義產品、測試、研發與專案管理之間的權責界線。隨著 AI Agent 開始自主執行任務，企業必須正視責任歸屬問題，提前做好風險應對準備。
利用 CUGA 打造真正的代理應用：輕量框架上的 24 個實作範例
建構一個代理大多涉及管線工作：工具、狀態、護欄、從單一代理擴展到多個代理。CUGA（pip install cuga），全名為可配置通用代理（Configurable Generalist Agent），是 IBM 為企業打造的代理框架，能處理這些繁瑣環節，讓你只需撰寫工具清單與提示詞。我們建構了 24 個單一檔案應用來證明這一點。本文將完整介紹其中一個應用，並展示相同的代理如何在生產環境中以主權治理的方式運作。
Home Assistant 鬧了個 AI 烏龍，但智能家居真要變天了
Home Assistant 近期發生一起 AI 操作失誤事件，但此舉反而凸顯出智慧家居領域即將迎來重大變革。儘管這次烏龍引發討論，卻顯示出 AI 整合在家居控制中的潛力與風險並存。整體而言，智慧家庭的未來發展方向已日漸明朗。