THU-Agent发布持续自进化框架：解决智能体跨任务遗忘难题

摘要：清华大学THU-Agent团队提出了一种持续自进化框架，用于解决智能体在处理多任务时面临的灾难性遗忘问题。该研究通过组织三个软件工程任务数据集，并应用两种代表性进化方法进行跨任务持续进化实验，揭示了后续任务的学习会显著削弱智能体在先前任务上的性能。例如，Meta-Harness在SWE-Bench任务上的性能从94.0%下降到32.0%，降幅达66%。研究结果为智能体持续自进化提供了新的见解和优化方向。

---

研究背景与动机

近年来，自进化智能体已成为提升智能体性能的重要范式。现有研究表明，通过进化智能体框架（harness）可以在不修改基础模型参数的情况下有效增强智能体能力。然而，现有研究主要集中在单一任务上的智能体进化，而实际应用中，智能体需要处理多种任务类型。智能体框架能否在多任务环境下持续进化而不出现灾难性遗忘，是一个亟待解决的关键问题。

研究方法与实验

本研究通过以下步骤展开：

1. 数据集与任务设计：研究团队选择了三个软件工程任务数据集，并将其组织成六种不同的进化方向。
2. 进化方法应用：应用了两种代表性的智能体框架进化方法（Meta-Harness和DeepSeek-V4-Flash-0731），沿着上述方向进行持续进化。
3. 性能评估：在每个任务数据集上评估智能体的性能变化。

实验结果表明，后续任务的学习会显著削弱智能体在先前任务上的性能。例如，Meta-Harness在SWE-Bench任务上的性能从94.0%下降到32.0%，降幅达66%。这一现象表明，智能体在多任务环境下的持续进化面临重大挑战。

研究发现与启示

基于实验结果，研究团队得出以下关键发现：

• 灾难性遗忘问题突出：智能体在处理新任务时，会遗忘之前学到的知识，导致性能大幅下降。
• 进化方向依赖性：不同进化方向对智能体性能的影响不同，某些方向可能导致更严重的遗忘问题。
• 潜在优化方向：研究指出，通过引入记忆机制、任务优先级排序和渐进式学习等方法，可以缓解灾难性遗忘问题。

未来展望

本研究为智能体持续自进化提供了新的思路和方法。未来研究方向包括：

• 开发更有效的记忆机制，以保留跨任务的知识。
• 设计更智能的任务调度策略，以平衡新任务学习和旧任务知识保留。
• 探索基于元学习的进化方法，以实现更高效的跨任务知识迁移。

代码与数据

研究团队已将代码开源，地址为：https://github.com/THU-Agent/continual-harness-evolution。

结论

持续自进化是智能体发展的关键方向，但多任务环境下的灾难性遗忘问题仍需进一步研究。本研究为该领域提供了新的实验数据和优化方向，推动了智能体技术的进步。

---

消息来源：Hugging Face Daily Papers (2026-11-02)

—— 完 ——

主题标签： #智能体 关注 #持续学习 关注 #灾难性遗忘 关注 #多任务学习 关注 #THU-Agent 关注