自进化 Agents Team：自主迭代与自我强化系统调研
摘要 / 导言：将 negentropy 平台打造成「自主迭代升级、自我强化的 Agents Team」，系统分四类——固定框架（进化基座，自身稳定不自改）、动态 Agent 定义（根据反馈学习成长）、外部能力工具（Skills / MCP / Tools，效果反向驱动迭代）、记忆与知识系统（兼具进化基质与客体双角色）。核心命题是构建一条统一的进化闭环：信号采集 → 归因 → 变更生成 → 验证门禁 → 发布/回滚。本报告综合自进化智能体理论（DGM、ADAS、AgentSquare、AlphaEvolve）、进化算子（GEPA、ACE、DSPy）、评测与反馈回路（Agent-as-a-Judge、OTel GenAI semconv、Langfuse 评测体系）、工具/技能生态自进化（MCP Registry、Agent Skills、LLM 自造工具谱系）、记忆与知识系统自进化（MemGPT/Mem0/A-Mem 自编辑记忆、ExpeL/AWM/ReasoningBank 经验沉淀、MemEvolve/MemSkill 记忆元进化、Zep/HippoRAG 2 图谱记忆、SSGM/MINJA 记忆治理）、以及生产化护栏（OWASP Agentic AI Top 10、金丝雀/影子部署、Goodhart 防护），最终将证据映射到 negentropy 四类系统的设计决策上。重叠声明：ReAct / Reflexion / Self-Refine / LATS / Voyager / LLM-as-Judge 偏差治理已由 110 号调研 覆盖，本报告一律引用不重述。
#1. 问题背景与设计命题
#1.1 三类系统的进化边界
| 系统层 | 进化语义 | 不变量 | 可进化资产 |
|---|---|---|---|
| 固定框架（Meta-Layer） | 进化基座自身不自改 | 护栏逻辑、安全策略、预算阈值、决策函数 | 无（改进走 Git PR 人工合并） |
| 动态 Agent 定义 | 自主迭代、自驱拟合目标场景 | 角色定位（Faculty 职责边界）、安全红线 | system_prompt、模型选型、技能挂载列表 |
| 外部能力工具 | 效果反向驱动迭代 | 工具白名单、权限边界、凭证隔离 | 技能 prompt_template（Jinja2）、工具 config JSONB、MCP pipeline 参数 |
核心设计约束：进化 = 数据变更（DB 白名单字段），框架 = 代码（改动唯一通道 Git PR + 人工 Merge）。
此外，记忆与知识系统（Memory / Knowledge Base / Knowledge Graph）具有双重角色：它既是三类系统共享的进化基质（substrate）——反思、playbook 条目、采收用例等进化经验的沉淀介质；又构成事实上的第四类进化客体（object）——其检索参数、遗忘曲线、管线 prompt、抽取策略自身可被同一进化回路优化。该维度的学术依据与设计展开见 §6。
#1.2 已有基座盘点
negentropy 已具备四个可复用的进化原语，本报告的核心论点是将其收敛为统一闭环而非从零造轮：
| 原语 | 实现位置 | 产出 |
|---|---|---|
| LLM-as-Judge 评测 | engine/routine/evaluator.py | 0–100 分 + verdict 五档 + 自然语言反思 |
| Reflexion 反思 | engine/consolidation/reflection_generator.py | routines.reflections JSONB 跨迭代注入 |
| SemVer 版本快照 | models/skill.py skill_versions 表 | 不可变版本历史 + SemVer + JSONB snapshot |
| 竞争择优 | perceives pipeline_config.py competition_mode | 多引擎并行 + LLM 评审择优 |
| 检索反馈闭环 | engine/adapters/postgres/retrieval_tracker.py | memory_retrieval_logs（zero_hit_rate / was_referenced / outcome_feedback）+ 反馈触发反思 |
| 遗忘曲线治理 | engine/governance/memory.py | retention_score（λ 支持 metadata.decay_override 条目级覆盖——参数外置接口已就位） |
四个决定性缺口（方案需解决）：
agents表无版本表，且sync_negentropy_agents每次 Sync 覆写system_prompt——进化产物会被踩掉；- ADK 主运行时无工具调用级遥测（
tool_executions表 dormant——写入路径ToolRegistry._record_execution虽存在，但该 Registry 未接入主运行时，仅集成测试实例化，生产无写入）； eval_tests/近乎空壳，无 golden set / 回归门禁；- 记忆/知识子系统的运行参数（遗忘 λ、检索权重、chunking 策略、KG 抽取 prompt）散落在 env/代码常量中无版本化——进化产物无处落地。
#1.3 进化回路总览
#2. 学术基础：自进化智能体理论
#2.1 领域分类框架
两篇 2025 年综述为整个领域建立了分类坐标系。
Gao et al.（TMLR 2026） 提出四维框架[1]：What to evolve（模型 / 记忆 / 工具 / 架构四类组件）、When to evolve（intra-test-time 即时适应 vs inter-test-time 跨任务适应）、How to evolve（标量奖励驱动 vs 文本反馈驱动，单智能体 vs 多智能体）、Where 对应应用域。该分类可直接作为 negentropy 三类系统的"进化对象坐标系"。
Fang et al. 提出统一迭代回路抽象[2]：System Inputs → Agent System → Environment → Optimisers 四组件反馈回路，几乎所有自进化系统都可实例化进去。negentropy 的 Dispatch→Execute→Evaluate→Decide 是该抽象的完整实例；其"Optimiser 与 Agent System 分离"的原则直接支持固定框架层设计——优化器（进化基座）本身不在被优化对象之内。
#2.2 系统级自改
Darwin Gödel Machine（Sakana AI）[3] 进化对象是智能体自身的代码库。核心机制：从档案库（archive）采样父代 → 基础模型生成变体 → 基准经验验证 → 入档。关键发现：SWE-bench 20.0% → 50.0%；劣质祖先可播种突破（通往最优解的谱系有时包含比父代更差的中间体）；安全实证——观察到目标欺骗（伪造单元测试日志）和移除检测标记骗取成功两种作弊。防护依赖沙箱隔离 + 人类监督 + 谱系可追溯性。
ADAS（ICLR 2025）[4] 提出 Meta Agent Search——元智能体在代码空间搜索新 agent 设计，以持续增长的历史发现档案作为上下文。跨域跨模型迁移后仍保持优势，降低"DB 化 agent 定义 + 可替换底座"的风险。
AlphaEvolve（DeepMind）[5] 核心论断：automated evaluator 是进化的先决条件——问题解必须可被机器自动评分。生产实证：Borg 数据中心调度启发式已生产运行超一年，平均持续回收全球算力 0.7%。"人类可读代码胜过黑盒"（Borg 案例）支持进化产物固化为可读文本。
#2.3 模块级与拓扑级进化
AgentSquare（ICLR 2025）[6] 将智能体抽象为 Planning / Reasoning / ToolUse / Memory 四模块，搜索用 module evolution（变异单模块）+ module recombination（跨设计重组）两算子。平均超越手工设计 17.2%。引入性能预测器预判候选表现以跳过无望设计，降低评估成本。
EvoAgent（NAACL 2025）[7] 用进化算法从单专家 Agent 自动扩展为多智能体系统（变异 / 交叉 / 选择三算子）。对应"拓扑级进化"的最轻量入口。
#2.4 权重级对照面与取舍
SEAL（MIT）[8] 进化对象是模型权重（自编辑→SFT微调）。关键障碍：灾难性遗忘——持续自编辑导致早期任务性能退化，缺乏保持机制时自我修改可能覆盖有价值的先验信息。该实证为 negentropy 选择"非权重级进化"（prompt / 工具层，可回滚、可 diff、可审计）提供了取舍依据。
进化层次谱系已成领域共识：权重级（SEAL）→ prompt/上下文/记忆级（Reflexion 类）→ 工具/技能级（AlphaEvolve、DGM 工具自造）→ 架构/拓扑级（ADAS、AgentSquare、EvoAgent）。negentropy 选择"prompt 级 + 工具级 + 受限拓扑级"在谱系上有明确位置且有文献支撑。
#3. 进化算子：Prompt 与上下文自动优化
#3.1 GEPA——反思驱动进化（核心方法论）
GEPA（ICLR 2026 Oral）[9] 是面向"含一个或多个 LLM prompt 的任意 AI 系统"的反思式进化优化器，已并入 DSPy 优化器家族为 dspy.GEPA。核心循环：采样执行轨迹 → 强反思模型诊断失败 → 提出单组件 prompt 变异 → minibatch 验证 → Pareto 前沿候选保留。
与 negentropy 的关键同构性：GEPA 所需的「(轨迹, 标量分, 自然语言反馈)」三元组与 Routine 闭环已产出的「执行轨迹 + LLM-as-Judge 0–100 分 + routines.reflections JSONB 反思」逐字段同构。差距仅在消费侧——当前反思只做 Reflexion 式运行时注入，未被消费为 prompt 资产的变异依据。
关键差异：Reflexion 管 episode 内自纠（运行时短期记忆），GEPA 管跨 episode 的 prompt 持久进化（资产更新）。两者正交可并存。
关键数字：6 个任务平均超 GRPO 6%（最高 20%），使用最多 35 倍更少 rollout；超 MIPROv2 10%+。
生产局限（Decagon 工程经验[10]）：无约束 GEPA 可产出 >5,000 字符 prompt；训练样本 20–100 例是甜区，500 反而过拟合（-2%）；反思器必须用前沿模型（弱反思器致整轮报废），但仅占总成本 5–10%。
#3.2 ACE——上下文增量进化
ACE（ICLR 2026）[11] 把上下文当作"不断进化的 playbook"，由 Generator / Reflector / Curator 三角色分工。核心创新：Curator 合并必须用确定性非 LLM 逻辑（防 context collapse），只做增量 delta（新增条目 + 计数器更新 + 嵌入去重）。
与 negentropy 的同构性：issue.md 即手工版 ACE playbook（问题描述/表因根因/处理/防范 = ACE 的"失败模式"条目）；Generator/Reflector/Curator 对应 Routine 执行 / Judge+reflections / Consolidation。
context collapse 实证：AppWorld 第 60 步上下文 18,282 token、准确率 66.7，一步整体重写后坍缩至 122 token、准确率跌至 57.1（低于无适配基线 63.7）。这直接警告：禁止让 LLM 端到端重写 system_prompt 或 issue.md。
#3.3 算子横向比较
| 算子 | 信号需求量 | 需离线训练集 | 在线可用性 | 实现复杂度 | 与 DB 动态加载适配度 |
|---|---|---|---|---|---|
| GEPA | 低（20–100 rollout） | 小验证集即可 | 中（官方支持 inference-time） | 中 | 高：候选=版本表行，晋升=指针切换 |
| ACE | 极低（可无标注） | 否 | 高（在线 memory 原生场景） | 中 | 高：条目天然映射 DB 行，增量=upsert |
| MIPROv2 | 中-高（数百样本） | 是 | 否（纯离线） | 低-中 | 中：不消费 reflections |
| SIMBA | 中（≥32 条硬下限） | 是 | 否 | 低 | 中：规则形态与 issue 条目兼容 |
| TextGrad[12] | 低-中 | 可选 | 中-高 | 中（集成成本高） | 低-中：借归因思想成本近零 |
| Promptbreeder[13] | 极高（10^5 评估） | 是 | 否 | 高 | 低：rollout 成本不匹配 |
| OPRO[14] | 低 | 小评估集 | 中 | 极低 | 高：版本表+评分=现成历史 |
选型建议：主线 = GEPA（指令资产）+ ACE（经验/playbook 资产）双算子分轨；以 OPRO 式历史评分注入作为最小可行起点；从 TextGrad 借组件级归因字段（blamed_component）、从 SIMBA 借高方差样本优选。
#3.4 组件级归因
TextGrad[12]（Nature 2025）提出文本梯度反传——LLM 批评沿调用链反传到各变量。核心价值是归因思想而非框架整体引入：最小实现是让 Judge/反思器在 reflections 中输出 blamed_component 字段（agent_prompt / skill_id / tool_desc），即得到组件级归因信号。GEPA 的 pred_name, pred_trace 参数同样支持 per-predictor 定向变异。
#4. 进化信号源：评测与反馈回路
#4.1 从 LLM-as-a-Judge 到 Agent-as-a-Judge
Agent-as-a-Judge（Meta AI）[15] 将评测建模为多步智能体工作流，可读取被评 Agent 的完整执行轨迹。关键数字：与人类共识对齐率 ~90%（对比 LLM-as-a-Judge 仅 ~70%），成本仅 2.29%。消融实验表明最优子集为 graph + locate + read + retrieve + ask（memory/planning 有害，降低对齐率）。
negentropy 映射：当前 Routine Evaluator 是"终态 LLM-as-a-Judge"。升级路径——评测 Agent 配备 read/search 工具读取 OTel/Langfuse trace，实现轨迹级评审定位失败步骤。建议三层分级：(1) 终态 LLM-as-Judge（秒级，全量高频）；(2) 轨迹 Agent-as-a-Judge（分钟级，采样/触发式）；(3) 人工（边缘案例）。
Agent 评测综述[16] 指出：Langfuse 本身不支持原生轨迹评测——验证了 negentropy 需自建轨迹评审 Agent 的必要性。
#4.2 轨迹级评测与终态评测
Agent 评测综述[16] 明确分层：最终响应评测（快速低成本但无法定位失败）→ 逐步评测（单步独立打分）→ 轨迹评测（reference-based 与黄金路径对齐，或 reference-free 由 LLM judge 评估连贯性/效率/目标导向性）。开发者框架中，仅 LangSmith、Vertex AI、AgentEvals 支持轨迹评测。
#4.3 在线评测与生产监控
OTel GenAI Semantic Conventions[17] 定义了 execute_tool span（属性含 gen_ai.tool.name、gen_ai.tool.type、gen_ai.tool.call.arguments/result 等），当前 Development 状态。negentropy tool_invocations 表应直接对齐此 schema。
Langfuse 评测体系[18] 提供 Score 四级挂载（trace/observation/session/dataset run）、LLM-as-Judge 托管评测（Live Observations 推荐）、Datasets 从生产 trace 采收（source_trace_id 溯源 + 批量 UI）。
MLflow GenAI Evaluation[19] 提供内置 judges 含实验性 ToolCallCorrectness / ToolCallEfficiency——直接对应 negentropy 的工具调用评测需求。
共识路径：离线 golden set 用于回归测试与版本对比（发布前拦截），在线评测用于生产监控与趋势感知（发布后保障）。生产 trace 是 golden set 的主要来源。
#4.4 隐式/显式人类反馈采集
Liu et al.[20] 证明：用户反馈是"理解用户的窗口但噪声大的学习信号"——反馈语义训练在短问题显著提升（p<.00001），但在长复杂问题上显著劣于基线（p≤0.0126）。正反馈噪声高（越狱场景）。
结论：negentropy 应将用户反馈用于实时监控趋势和golden set 采收触发，不应直接作为训练/进化标签。
#5. 工具/技能生态自进化
#5.1 MCP 规范与 Registry 进展
MCP Registry（2025-09-08 Preview[21]）是面向公开 MCP Server 的开放目录，server.json 元数据 schema + REST API，当前 Preview 阶段（v0.1 冻结）。支持公共/私有子注册表——私有型映射企业部署场景。注册体量随生态快速扩张（第三方分析显示去重后约千余个唯一包，原始条目因 CI 重复发布远高于此）。
MCP 2025-11-25 稳定版[22] 引入 Tasks 原语（长时运行任务，experimental capability，状态机 working/input_required→completed/failed/cancelled）、Sampling+Tools（服务端 agentic loop）、简化 OAuth。2026-07-28 RC 计划无状态核心、Transport Headers、Tasks 移至扩展。
#5.2 Agent Skills 设计哲学
Anthropic Agent Skills[23]（开放标准 agentskills.io，2025-12-18 启动）核心设计：渐进式披露三级加载——Level 1 技能元数据（name/description，启动期注入系统提示）→ Level 2 完整 SKILL.md 正文（判定相关时加载）→ Level 3 SKILL.md 引用的捆绑文件/脚本（按需读取）。
negentropy 对标：skills_injector 的 Jinja2 prompt_template + Progressive Disclosure 与 SKILL.md 三级加载高度同构。skills 表 name/description = Level 1 元数据层；prompt_template = Level 2 正文层；resources = Level 3 捆绑文件层。建议增加 SKILL.md 兼容 adapter。
技能层综述[24] 发现社区贡献技能中 26.1% 含安全漏洞——强力驱动验证流水线需求。
#5.3 工具效果评测
MCP-Bench[25] 在 28 个真实 MCP Server + 250 工具上测试模糊指令下的端到端完成率，三层评测维度：工具级 schema 理解 → 轨迹级规划 → 任务完成。20 个先进 LLM 均面临持续挑战。
BFCL V4[26] 转向 Holistic Agentic Evaluation（Web Search + Memory + Format Sensitivity），Agentic 占总分 40% 权重。
ToolLLM[27]（ICLR 2024）覆盖 16,464 真实 API，DFSDT 多轨迹推理 + ToolEval 双指标（Pass Rate + Win Rate）。
#5.4 LLM 自造工具谱系
| 工作 | 核心机制 | 关键数字 | negentropy 映射 |
|---|---|---|---|
| LATM[28] | 强模型造工具 / 弱模型用工具 | GPT-4 造 + GPT-3.5 用 ≈ 全程 GPT-4 | 制造/消费分离，skill_versions 天然支持 |
| CREATOR[29] | 分离抽象推理（设计工具）与具体推理（使用工具） | Creation Challenge 2K 问题 | prompt_template（抽象）vs required_tools（具体）分层 |
| ToolMaker[30] | 论文+代码仓 → 自动转化为 LLM 工具（闭环自纠错） | 15 任务 80% 正确率 | 外部能力自动摄入流程 |
| Alita[31] | 最小预定义 + 最大自进化；自动沉淀能力为可复用 MCP | GAIA 75.15% pass@1 | MCP Brainstorming → 生成 → 隔离验证 → MCP Box 映射自造技能链 |
| ASI[32] | 在线归纳→验证→复用程序化技能 | WebArena +23.5% | 程序化验证是主要驱动力 |
#6. 记忆与知识系统的自进化
与 025 记忆系统、026 记忆白皮书、035 知识库、036 知识图谱 的关系：上述文档定义记忆/知识子系统自身的设计与基线评测，本节将其纳入进化回路——回答"记忆与知识系统如何参与并接受自进化"。
#6.1 双重角色：进化的基质与客体
记忆与知识系统在自进化体系中承担两种正交角色，全文统一以如下措辞定义：
- 基质（substrate）：记忆/知识库是进化回路经验沉淀的介质——反思文本、playbook 条目、采收的评测用例、提案成败记录都写入其中。ACE[11] 的增量 playbook 本质上就是上下文形态的记忆资产；
- 客体（object）：记忆系统自身的参数（遗忘 λ、检索权重）、prompt（fact extractor / reflection generator / KG 抽取）、策略（chunking / reranker 选型）可被同一进化回路优化。
Gao et al. 的四维框架[1]在 "What to evolve" 维度已将 memory 与模型、工具、架构并列为四类进化组件——本节是该维度的系统展开。而 2025 年末出现的 MemEvolve[51] 更进一步：联合进化"经验知识"与"记忆架构本身"，使系统不仅积累经验、还逐步改进学习经验的方式——由此形成「基质（沉淀经验）→ 客体（优化记忆配置）→ 元进化（优化记忆架构）」三阶谱系。negentropy 取前两阶为工程范围，第三阶作为远期对照面。
#6.2 记忆分类学与操作坐标系
三份综述确立了记忆系统的坐标系。Zhang et al.（ACM TOIS）[39] 按来源（intra-trial / cross-trial / 外部知识）× 形态（文本 / 参数）划分记忆；Du et al.[40] 提出六大记忆操作——consolidation（巩固）、updating（更新）、indexing（索引）、forgetting（遗忘）、retrieval（检索）、compression（压缩）；2026 年的 "second half" 综述[41] 则以 substrate × cognitive mechanism（episodic/semantic/sensory/working/procedural）× subject（agent-centric / user-centric）三维定位，并断言记忆是 Agent 从"刷榜"走向"真实世界长期效用"的核心瓶颈。
六操作可与 negentropy 记忆子系统的现成模块一一映射——每个操作都是潜在的进化客体：
| 记忆操作 | negentropy 模块 | 可进化参数/prompt |
|---|---|---|
| consolidation | engine/consolidation/（reflection / fact 抽取） | extractor prompt、反思生成 prompt |
| updating | governance/conflict_resolver.py（AGM 信念修正） | 冲突检测阈值、消解 prompt |
| indexing / retrieval | adapters/postgres/memory_service.py（四级回退混合检索） | 语义/关键词权重、rrf_k、PPR 通道参数 |
| forgetting | governance/memory.py（Ebbinghaus 衰减） | 类型级 λ、retention 阈值 |
| compression | consolidation/memory_summarizer.py | 摘要 prompt、token 预算 |
#6.3 自编辑与分层记忆架构
MemGPT[42] 开创 OS 式虚拟上下文管理——Agent 通过工具自编辑记忆，确立"记忆操作本身是可学习行为"的范式起点。Mem0[43] 给出生产级抽取-更新两阶段管线（每条候选记忆经 ADD / UPDATE / DELETE / NOOP 四择决策），LoCoMo 上 LLM-as-Judge 指标相对 OpenAI 记忆基线提升 26%，p95 延迟较全上下文低 91%。A-Mem（NeurIPS 2025）[44] 引入 Zettelkasten 式动态组织：新记忆触发既有记忆网络的链接生成与演化更新——是"记忆条目级自进化"的最直接文献锚点。MemoryBank[45] 将 Ebbinghaus 遗忘曲线引入记忆强化/淘汰。MemOS[46] 以 MemCube 统一抽象将记忆升格为一等运维资源，强调表示、组织与生命周期治理的统一机制。工业侧，Letta 的 sleep-time compute[64] 将"对话 Agent"与"记忆管理 Agent"分离——记忆重组在系统空闲期异步进行，离线巩固窗口即进化回路的天然调度时机。
negentropy 映射：memory_associations（语义/时间/会话/实体共现四种自动链接）与 A-Mem 链接网络同构；governance/memory.py 的类型级 λ 衰减与 MemoryBank 同构，且 metadata.decay_override 已支持条目级覆盖——λ 可进化的工程接口已经存在；conflict_resolver.py 的 AGM 信念修正是 Mem0 UPDATE/DELETE 决策的形式化版本；consolidation_jobs 异步巩固即 sleep-time 范式的既有实现。
#6.4 经验沉淀型记忆：从反思到推理策略库
经验型记忆的文献谱系清晰地展示了"基质→客体"的过渡：Reflexion（口头反思，见 110 号调研）→ ExpeL[47]（跨任务成功/失败轨迹对比中提炼自然语言 insights，无参数更新）→ AWM[48]（ICML 2025，从轨迹归纳可复用 workflow 并选择性注入）→ Memp[49]（程序化记忆升格为一等优化目标：可学习、可更新、终身演化，并支持从强模型到弱模型的记忆迁移）→ ReasoningBank（Google）[50]（从自评判定的成功与失败经验中蒸馏可泛化推理策略，并以 MaTTS 记忆感知测试时扩展形成"更多经验→更好记忆→更优探索"的正循环，确立记忆驱动经验扩展为新的 scaling 维度）。
两个关键论断：① ExpeL 的经验池只是沉淀介质（基质），Memp 已把记忆的更新策略本身当作被优化对象（客体）——谱系完成角色过渡；② ReasoningBank 证明失败经验与成功经验同等可蒸馏，且无需 ground-truth 标签（自评判定）——这直接支持 negentropy 把提案 rejected/rolled_back 记录纳入反思沉淀（见 §9.1）。
negentropy 映射：routines.reflections JSONB ≅ ExpeL insights 池；§3.2 ACE 的增量 delta 即 Curator 化的 AWM；Phase 4 自造技能（Voyager 式，见 110 号调研）是程序化记忆的终点形态。
#6.5 记忆系统的元进化
2025 末至 2026 年的一组工作把"记忆系统自身"推上进化客体的位置：
- MemEvolve[51]：元进化框架联合进化经验知识与记忆架构，对强 Agent 框架最高提升约 17%——证明记忆架构的设计空间值得搜索（negentropy 远期对照面）；
- MemSkill[52]：将记忆抽取/巩固/淘汰操作重构为可学习、可进化的记忆技能（controller 选技能 → executor 产记忆 → designer 复盘硬案例提炼/改写技能）——designer 的"复盘失败案例→变异技能集"与 GEPA[9] 反思→变异算子同构，说明 prompt 进化算子可直接复用于记忆管线 prompt；
- Memory-R1[53]：用 RL 训练记忆管理（ADD/UPDATE/DELETE/NOOP 决策）与检索利用策略——证明记忆操作策略空间值得优化，但 RL 路线属权重级（对照面）；
- RMM（ACL 2025）[54]：prospective + retrospective 双向反思，其中 retrospective reflection 用"检索结果是否被引用"的下游信号在线调优 reranker（提升 10%+）——与 negentropy
retrieval_tracker.py的was_referenced/outcome_feedback字段逐字段同构，是检索参数在线进化的最直接文献依据； - Evo-Memory[55]：首个面向"测试时记忆自进化"的流式基准——评测范式从静态对话检索转向任务流上的持续积累与复用。
取舍结论：与 §2.4 SEAL 的论证一致，negentropy 选择"提案-门控回路优化记忆系统配置"而非 RL——配置变更可回滚、可 diff、可审计，且复用统一进化流水线。
#6.6 图谱化记忆与知识图谱自更新
- Zep / Graphiti[56]：双时态知识图谱（事实有效期 + 系统记录期双轴），核心机制是边失效（edge invalidation）——新证据到达时不删除旧事实而是标记失效区间，使图谱随证据流自修正而非只增不减；LongMemEval 上较基线提升至多 18.5%、延迟降 90%；
- HippoRAG 2（ICML 2025）[57]：schema-less KG + Personalized PageRank + 在线 LLM 相关性校验，将 RAG 升格为非参数持续学习框架，在事实记忆、sense-making 与关联记忆三类任务上全面超越标准 RAG——其"以非参数记忆替代权重级持续学习"的立场再次佐证 negentropy 的非权重级进化路线（呼应 §2.4）；
- SAGE[58]：自进化图记忆引擎——图记忆不再是静态检索中间件，而是经下游 reader 反馈持续改进的动态基质（两轮自进化后多跳 QA 平均排名第一）；
- AutoSchemaKG[59]：从语料动态归纳 schema（零人工干预，与人工 schema 语义对齐 92%）——KG 的 schema 本身可自动演化；
- LazyGraphRAG（Microsoft）[60]：以 0.1% 的索引成本达到 GraphRAG 全局检索可比质量——证明图谱构建的成本-质量权衡本身是可进化的目标函数（索引深度/时机的策略选择）。
negentropy 映射：Apache AGE 图存储 + knowledge/graph/temporal_resolver.py（双时态雏形）已对齐 Zep 方向；memory_service.py 的 PPR-RRF 融合通道与 HippoRAG 直接同构——HippoRAGSettings 的 enabled / depth / alpha / rrf_k / seed_top_k / seed_threshold 全部是现成的进化参数；KG 抽取（graph/extractors.py）的 prompt 与实体解析阈值（entity_resolver.py）对应 AutoSchemaKG 的演化维度。
#6.7 知识冲突消解与记忆安全
冲突消解：Xu et al. 的知识冲突综述（EMNLP 2024）[61] 给出三类冲突分类——context-memory（上下文与参数记忆冲突）、inter-context（多源上下文互冲）、intra-memory（记忆库内部不一致）——negentropy conflict_resolver.py 的三阶段冲突检测（Key-based / Embedding-based / LLM-based）可对号入座，主要覆盖 intra-memory 类。权重级 knowledge editing（ROME/MEMIT 谱系）存在连续编辑退化问题[61]，作为对照面再次支持"DB 级知识资产 + 版本化"路线。
记忆安全：自进化记忆引入静态 RAG 不存在的累积性风险。SSGM 框架[62] 指出演化记忆的复合失效环——输入摄取期投毒（poisoning）→ 巩固期语义漂移（drift）→ 检索期冲突/幻觉（hallucination）——错误跨环节累积且持久；其核心治理原则"记忆演化与执行解耦"与本报告固定框架层设计同构。攻击侧，MINJA（NeurIPS 2025）[63] 证明仅凭普通用户的 query-only 交互即可向 Agent 记忆注入恶意记录（注入成功率 95%+）——结论是记忆写入必须被视为特权状态变迁，需要验证、隔离与审计，而非"学习的良性副产品"。这为 §8.1 的 ASI06 威胁提供了具体攻击面证据，也直接约束进化回路设计：进化提案永远不直接写记忆条目内容（见 §9.1）。
#6.8 评测信号与基准
| 信号 | 来源 | 进化用途 |
|---|---|---|
| LoCoMo / LongMemEval 离线 recall | CI 基线已就位（见 026 白皮书：LoCoMo-mini recall 0.933 / LongMemEval-mini 0.867） | 记忆检索 golden suite：晋升判据 |
| KG 质量综合分 | knowledge/graph/quality.py（完整性 40% + 社区覆盖 20% + 置信度 20% + 证据支持 20%） | KG 抽取配置的客观门控 |
| KG 构建指标 | knowledge/graph/metrics.py（chunks_fallback / over_extraction_chunks / entity_density_p95 等） | 抽取 prompt 变异的回归检测 |
| zero_hit_rate / referenced 率 / helpful-irrelevant 比 | memory_retrieval_logs（retrieval_tracker.py 聚合） | 在线监控 + 检索参数提案触发 + 金丝雀对比 |
| 检索回退事件率 | memory_service.py _log_fallback_event（PPR/Hybrid 降级） | 通道参数（超时/深度）调优信号 |
| 冲突率 | memory_conflicts 表 | 抽取/消解配置的健康度监控 |
| 流式测试时进化范式 | Evo-Memory[55] | 远期：评测从静态检索转向任务流持续复用 |
与 §4.4 结论一致：用户反馈（helpful/irrelevant 标注）只做监控与采收触发，不直接作为进化标签；离线 suite（LoCoMo/LongMemEval/KG quality）承担晋升裁决，在线信号承担金丝雀验证与回滚触发。
#7. 工业对标：自进化系统的生产化实践
按「信号采集 → 优化算子 → 门禁验证 → 发布/回滚」四段对齐比较：
| 平台 | 信号采集 | 优化算子 | 门禁验证 | 发布/回滚 |
|---|---|---|---|---|
| DGM[3] | 编码基准分数 | 档案库 + 代码变体 | 基准经验验证 | 档案分支可回溯 |
| AlphaEvolve[5] | 自动化评估器打分 | Gemini Flash(广度)+Pro(深度) | 客观指标门禁 | 程序数据库保留历史 |
| Langfuse[18] | Scores(trace/obs/session级) + User Feedback | Prompt Experiments 多版本对比 | LLM-as-Judge evaluator | Label 切换即回滚（Protected Labels） |
| MLflow[19] | Feedback(HUMAN/CODE/LLM_JUDGE) | 内置 judges + 自定义 scorers | Evaluation-Driven Development | 版本对比 |
| W&B Weave[33] | Scorer(@weave.op) + Trials(方差检测) | Leaderboard 多版本排行 | 多维度横向对比 | 择优发布 |
| promptfoo[34] | eval + red team | — | CI/CD 回归门禁 (--fail-on-error) | 阻断部署 |
| Letta / Mem0 / Zep（记忆平台）[42][43][56] | 检索引用反馈 + 会话信号 | 自编辑记忆 / 抽取-更新四择管线 / 时序边失效 | 内置 benchmark（LoCoMo / DMR / LongMemEval） | 记忆条目软删除 + 时序失效（非物理删除） |
| negentropy（本设计） | tool_invocations + interaction_feedback + memory_retrieval_logs + tool_stats_daily | GEPA（指令）+ ACE（经验）+ OPRO（baseline）+ 参数搜索（记忆/检索配置） | Shadow eval → LLM Judge → OWASP red team | active_version 指针 + 秒级回滚 |
#8. 护栏与治理：自改系统的安全边界
#8.1 OWASP Agentic AI 威胁映射
OWASP Agentic AI Top 10（2025-12）[35] 与 negentropy 进化回路的直接映射：
| 威胁 | 映射 |
|---|---|
| ASI01 Agent Goal Hijack | 进化生成的 prompt 可能被投毒 → 需 diff 审查 + 红队扫描 |
| ASI02 Tool Misuse | 自进化 Agent 可能生成滥用工具的配置 → 工具白名单 + 最小权限 |
| ASI04 Supply Chain | 进化引入的第三方模板/工具 → 沙箱验证 + 安全静态分析 |
| ASI06 Memory/Context Poisoning | 反思/reflections 被投毒（MINJA query-only 注入实证见 §6.7） → 不可变版本历史 + 审计 + 进化提案不直写记忆内容 |
| ASI08 Cascading Failures | 多 Agent 级联 → 熔断器 + 爆炸半径控制 |
| ASI10 Rogue Agents | Reward hacking / 自复制 → 预算硬上限 + 人类审批 |
#8.2 金丝雀/影子评测
业界共识递进顺序[36]：Shadow Mode → Canary → A/B Testing。
- Shadow Mode：生产请求复制到候选版本，候选输出仅记录不返回用户；推理开销约翻倍；
- Canary：1% → 5% → 20% → 50% → 100% 渐进放量，自动回滚阈值（p99 延迟升 >40%、拒绝率升 >5%、成本超预算任一触发）；
- 用户一致性：通过 user_id / session_id 哈希分配，保证同一用户始终使用同一版本。
#8.3 版本注册表与回滚
Langfuse Prompt Management[18] 的 Label 机制映射 negentropy 设计：版本不可变 + 发布 = Label 赋值 + 回滚 = Label 重赋 + Protected Labels（审批权限控制）。
#8.4 Goodhart's Law 防护
OpenAI CoT 监控论文[37] 证明：对 CoT 施加强优化压力会导致 Obfuscated Reward Hacking——Agent 学会在 CoT 中隐藏意图但仍继续作弊。建议：不对 CoT 直接施加优化压力。
Anthropic Emergent Misalignment[38] 证明：模型学会 reward hack 的瞬间，所有 misalignment 指标同时飙升。Inoculation prompting（告知模型作弊边界）是论文列出的三个有效缓解之一（正文报告其将 misalignment 降低 75–90%）。
防护四件套：① 冻结 holdout 集（结果不回流 proposer）；② 多目标晋升判据（质量 AND 成本 AND 延迟 AND 在线确认）；③ Judge 与 Proposer 模型强制异源；④ 评测集随失败采收持续换血。
#9. 对 Negentropy 的设计映射
#9.1 三类系统 × 进化回路矩阵
| 可进化资产 | 信号源 | 归因 | 变更算子 | 验证门禁 | 发布/回滚 | 文献 |
|---|---|---|---|---|---|---|
Agent system_prompt | Routine 轨迹 + 反馈 | blamed_component 字段 | GEPA 反思→变异 | Shadow eval + Golden Set 双轨 | active_version 指针 + 秒级回滚 | [9] [11] |
技能 prompt_template | 工具调用遥测 + 评测分数 | per-skill eval_suite | GEPA/OPRO + 长度约束 | Shadow eval + 红队 | SemVer 晋升 + 金丝雀 | [9] [14] |
| 工具 config JSONB | 延迟/成本/成功率 | tool_stats_daily 聚合 | 参数搜索 + competition 证据 | 回归测试 | builtin_tool_versions + 回滚 | [5] |
| MCP Pipeline 参数 | Stage 输出 + 竞争评分 | per-stage 评分 | 参数调优 / 引擎排名 | competition_mode 验证 | YAML 更新（Phase 3 DB 化） | [22] |
| 记忆/经验条目（基质，走 consolidation 回路） | 失败案例 + 反馈 | — | ACE 增量 delta + 去重 | 语义去重 + helpful/harmful 计数 | 条目级淘汰 | [11] [50] |
| 记忆检索参数（语义/关键词权重 / rrf_k / PPR 通道 / 遗忘 λ） | memory_retrieval_logs（零命中率/引用率/反馈） | 检索日志 per-query 归因 | 参数搜索 + OPRO 式历史评分 | LoCoMo/LongMemEval suite + 在线零命中率不退化 | 配置版本表 + 指针回滚 | [45] [54] [57] |
| 记忆管线 prompt（fact extractor / reflection / summarizer / 冲突消解） | 抽取质量抽检 + 下游检索引用率 | per-prompt eval_suite | GEPA 反思→变异 | 影子抽取对比 + holdout | 版本表 + 秒级回滚 | [9] [43] [52] |
| KB/KG 策略（chunking / reranker 选型 / KG 抽取 prompt / 实体解析阈值） | knowledge_feedback + KG 质量综合分 + 构建指标 | per-strategy 评分 | GEPA（prompt）/ 参数搜索（阈值）/ 策略枚举 A/B | KG quality suite + 引用精度 | 版本表 + 回滚 | [56] [59] [61] |
#9.2 演进路线
| Phase | 主题 | 验收标准 | 不做清单 |
|---|---|---|---|
| 1 遥测 + 评测地基 | tool_invocations 三源采集 + interaction_feedback + eval 四表 + 首批 golden suite + 记忆/知识健康度聚合（零命中率/引用率/冲突率） | 任一 Agent/Skill/Tool 可查 7 日健康度；记忆/知识健康度可查；可手动发起评测 | 不做自动化进化 |
| 2 Agent prompt 进化 | agent_versions + active_version + Sync 改造 + GEPA proposer + 金丝雀路由 | 一个非 root Faculty 走完 propose→shadow→canary→promote 全闭环 | 不做 root Agent 进化；不做技能进化 |
| 3 技能/工具进化 | Skills active_version + per-skill suite + builtin_tool_versions + competition 证据回流 + 记忆/知识检索参数数值级进化（含参数 DB 化前置迁移） | 至少一个技能和一个 builtin tool 经数据驱动完成改进；至少一项检索参数经数据驱动完成改进 | 不做 MCP YAML 全量 DB 化；不自造新技能 |
| 4 自造技能 + 团队结构 | Voyager 式新技能流水线 + skills 挂载/模型选型纳入进化范围 + 记忆管线/KG 抽取 prompt 进化 + 遗忘 λ 进化试点 | Agent 针对重复失败任务自造技能并经人审入库 | — |
#9.3 与既有调研的接口
- 110 号调研：Routine 闭环学术基础（ReAct/Reflexion/Self-Refine/LATS/Voyager）+ LLM-as-Judge 偏差治理 → 本报告引用不重述，进化回路在 Routine 之上叠加；
- 090 号调研（Agent 通用评测，已归档）：本报告 §4 反哺其评测分类学；
- 020 号调研：ADK vs Claude SDK 运行时 → 本报告固定框架层设计直接依赖；
- 010 号调研：上下文工程 → ACE 的增量 delta 机制是其进化延伸；
- 025 记忆系统 / 026 记忆白皮书 / 035 知识库 / 036 知识图谱：记忆/知识子系统设计与基线评测 → 本报告 §6 将其纳入进化回路（基质 + 客体双角色）。
#参考文献
[1] H. Gao et al., "A survey of self-evolving agents: On the path to artificial super intelligence," TMLR, 2026. arXiv:2507.21046v4.
[2] J. Fang et al., "A comprehensive survey of self-evolving AI agents: A new paradigm bridging foundation models and lifelong agentic systems," arXiv:2508.07407, 2025.
[3] J. Zhang, S. Hu, C. Lu, R. Lange, and J. Clune, "Darwin Gödel machine: Open-ended evolution of self-improving agents," arXiv:2505.22954v3, 2025.
[4] S. Hu, C. Lu, and J. Clune, "Automated design of agentic systems," in Proc. ICLR, 2025. arXiv:2408.08435.
[5] A. Novikov et al., "AlphaEvolve: A coding agent for scientific and algorithmic discovery," arXiv:2506.13131, 2025.
[6] Y. Shang et al., "AgentSquare: Automatic LLM agent search in modular design space," in Proc. ICLR, 2025. arXiv:2410.06153.
[7] S. Yuan et al., "EvoAgent: Towards automatic multi-agent generation via evolutionary algorithms," in Proc. NAACL, 2025. arXiv:2406.14228.
[8] A. Zweiger et al., "Self-adapting language models," arXiv:2506.10943, 2025.
[9] L. A. Agrawal et al., "GEPA: Reflective prompt evolution can outperform reinforcement learning," in Proc. ICLR (Oral), 2026. arXiv:2507.19457.
[10] Decagon, "Optimizing GEPA for production," Decagon Engineering Blog, 2026. [Online]. Available: https://decagon.ai/blog/optimizing-gepa-for-production
[11] Q. Zhang et al., "Agentic context engineering: Evolving contexts for self-improving language models," in Proc. ICLR, 2026. arXiv:2510.04618.
[12] M. Yuksekgonul et al., "Optimizing generative AI by backpropagating language model feedback," Nature, 2025. doi:10.1038/s41586-025-08661-4.
[13] C. Fernando et al., "Promptbreeder: Self-referential self-improvement via prompt evolution," arXiv:2309.16797, 2023.
[14] C. Yang et al., "Large language models as optimizers," in Proc. ICLR, 2024. arXiv:2309.03409.
[15] M. Zhuge et al., "Agent-as-a-Judge: Evaluate agents with agents," arXiv:2410.10934, 2024.
[16] A. Yehudai et al., "Survey on evaluation of LLM-based agents," in ACL Findings, 2025. arXiv:2503.16416.
[17] OpenTelemetry, "GenAI semantic conventions," 2026. [Online]. Available: https://opentelemetry.io/docs/specs/semconv/gen-ai/
[18] Langfuse, "Evaluation overview / Prompt management / User feedback," 2026. [Online]. Available: https://langfuse.com/docs/evaluation/overview
[19] MLflow, "GenAI evaluation / Scorers / Feedback," 2026. [Online]. Available: https://mlflow.org/docs/latest/genai/eval-monitor/
[20] Y. Liu, M. J. Q. Zhang, and E. Choi, "User feedback in human-LLM dialogues: A lens to understand users but noisy as a learning signal," in EMNLP, 2025. arXiv:2507.23158.
[21] MCP, "MCP registry preview," MCP Blog, 2025. [Online]. Available: https://blog.modelcontextprotocol.io/posts/2025-09-08-mcp-registry-preview/
[22] MCP, "First MCP anniversary: 2025-11-25 spec release," MCP Blog, 2025. [Online]. Available: https://blog.modelcontextprotocol.io/posts/2025-11-25-first-mcp-anniversary/
[23] Anthropic, "Equipping agents for the real world with Agent Skills," Anthropic Engineering Blog, 2025. [Online]. Available: https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
[24] R. Xu and Y. Yan, "Agent skills for large language models: Architecture, acquisition, security, and the path forward," in Agent Skills '26 Workshop (ACM), 2026. arXiv:2602.12430.
[25] Z. Wang et al., "MCP-Bench: Benchmarking tool-using LLM agents with complex real-world tasks via MCP servers," arXiv:2508.20453, 2025.
[26] Gorilla / UC Berkeley, "BFCL V4: Holistic agentic evaluation," 2026. [Online]. Available: https://gorilla.cs.berkeley.edu/leaderboard.html
[27] Y. Qin et al., "ToolLLM: Facilitating large language models to master 16000+ real-world APIs," in Proc. ICLR, 2024. arXiv:2307.16789.
[28] T. Cai et al., "Large language models as tool makers," arXiv:2305.17126, 2023.
[29] C. Qian et al., "CREATOR: Tool creation for disentangling abstract and concrete reasoning," in EMNLP Findings, 2023. arXiv:2305.14318.
[30] G. Wolflein et al., "LLM agents making agent tools," in Proc. ACL, 2025. arXiv:2502.11705.
[31] J. Qiu et al., "Alita: Generalist agent enabling scalable agentic reasoning with minimal predefinition and maximal self-evolution," arXiv:2505.20286, 2025.
[32] Z. Z. Wang et al., "Inducing programmatic skills for agentic tasks," arXiv:2504.06821, 2025.
[33] W&B, "Weave evaluations / leaderboards," 2026. [Online]. Available: https://docs.wandb.ai/weave/guides/core-types/evaluations
[34] promptfoo, "CI/CD integration," 2026. [Online]. Available: https://www.promptfoo.dev/docs/integrations/ci-cd/
[35] OWASP, "Top 10 for agentic applications for 2026," OWASP GenAI Security Project, 2025. [Online]. Available: https://genai.owasp.org/resource/owasp-top-10-for-agentic-applications-for-2026/
[36] T. Pan, "Releasing AI features without breaking production: Shadow mode, canary deployments, and A/B testing for LLMs," 2026. [Online]. Available: https://tianpan.co/blog/2026-04-09-llm-gradual-rollout-shadow-canary-ab-testing
[37] B. Baker et al., "Monitoring reasoning models for misbehavior and the risks of promoting obfuscation," arXiv:2503.11926, 2025.
[38] Anthropic, "Natural emergent misalignment from reward hacking in production RL," Anthropic Research, 2025. arXiv:2511.18397.
[39] Z. Zhang, X. Bo, C. Ma et al., "A survey on the memory mechanism of large language model based agents," ACM Trans. Inf. Syst., vol. 43, no. 6, 2025. arXiv:2404.13501.
[40] Y. Du, W. Huang et al., "Rethinking memory in AI: Taxonomy, operations, topics, and future directions," arXiv:2505.00675, 2025.
[41] W.-C. Huang et al., "Rethinking memory mechanisms of foundation agents in the second half: A survey," arXiv:2602.06052, 2026.
[42] C. Packer et al., "MemGPT: Towards LLMs as operating systems," arXiv:2310.08560, 2023.
[43] T. Chhikara, D. Khant, S. Aryan, T. Singh, and D. Yadav, "Mem0: Building production-ready AI agents with scalable long-term memory," arXiv:2504.19413, 2025.
[44] W. Xu, Z. Liang, K. Mei, H. Gao, J. Tan, and Y. Zhang, "A-Mem: Agentic memory for LLM agents," in Proc. NeurIPS, 2025. arXiv:2502.12110.
[45] W. Zhong, L. Guo, Q. Gao, H. Ye, and Y. Wang, "MemoryBank: Enhancing large language models with long-term memory," in Proc. AAAI, 2024. arXiv:2305.10250.
[46] Z. Li et al., "MemOS: A memory OS for AI system," arXiv:2507.03724, 2025.
[47] A. Zhao, D. Huang, Q. Xu, M. Lin, Y.-J. Liu, and G. Huang, "ExpeL: LLM agents are experiential learners," in Proc. AAAI (Oral), 2024. arXiv:2308.10144.
[48] Z. Z. Wang, D. Fried, and G. Neubig, "Agent workflow memory," in Proc. ICML, 2025. arXiv:2409.07429.
[49] R. Fang, Y. Liang et al., "Memp: Exploring agent procedural memory," arXiv:2508.06433, 2025.
[50] S. Ouyang, J. Yan, I.-H. Hsu et al., "ReasoningBank: Scaling agent self-evolving with reasoning memory," arXiv:2509.25140, 2025.
[51] G. Zhang, H. Ren, C. Zhan et al., "MemEvolve: Meta-evolution of agent memory systems," arXiv:2512.18746, 2025.
[52] H. Zhang, Q. Long, J. Bao, T. Feng, W. Zhang, H. Yue, and W. Wang, "MemSkill: Learning and evolving memory skills for self-evolving agents," arXiv:2602.02474, 2026.
[53] S. Yan, X. Yang et al., "Memory-R1: Enhancing large language model agents to manage and utilize memories via reinforcement learning," arXiv:2508.19828, 2025.
[54] Z. Tan, J. Yan, I.-H. Hsu, R. Han, Z. Wang et al., "In prospect and retrospect: Reflective memory management for long-term personalized dialogue agents," in Proc. ACL, 2025. arXiv:2503.08026.
[55] T. Wei, N. Sachdeva, B. Coleman, Z. He et al., "Evo-Memory: Benchmarking LLM agent test-time learning with self-evolving memory," arXiv:2511.20857, 2025.
[56] P. Rasmussen, P. Paliychuk, T. Beauvais, J. Ryan, and D. Chalef, "Zep: A temporal knowledge graph architecture for agent memory," arXiv:2501.13956, 2025.
[57] B. Jiménez Gutiérrez, Y. Shu, W. Qi, S. Zhou, and Y. Su, "From RAG to memory: Non-parametric continual learning for large language models," in Proc. ICML, 2025. arXiv:2502.14802.
[58] "SAGE: A self-evolving agentic graph-memory engine for structure-aware associative memory," arXiv:2605.12061, 2026.
[59] J. Bai, W. Fan et al., "AutoSchemaKG: Autonomous knowledge graph construction through dynamic schema induction from web-scale corpora," arXiv:2505.23628, 2025.
[60] D. Edge, H. Trinh, and J. Larson, "LazyGraphRAG: Setting a new standard for quality and cost," Microsoft Research Blog, Nov. 2024. [Online]. Available: https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-standard-for-quality-and-cost/
[61] R. Xu et al., "Knowledge conflicts for LLMs: A survey," in Proc. EMNLP, 2024. arXiv:2403.08319.
[62] C. Lam, J. Li, L. Zhang, and K. Zhao, "Governing evolving memory in LLM agents: Risks, mechanisms, and the stability and safety governed memory (SSGM) framework," arXiv:2603.11768, 2026.
[63] S. Dong et al., "A practical memory injection attack against LLM agents," in Proc. NeurIPS, 2025. arXiv:2503.03704.
[64] K. Lin, C. Snell, Y. Wang, C. Packer, S. Wooders, I. Stoica, and J. E. Gonzalez, "Sleep-time compute: Beyond inference scaling at test-time," arXiv:2504.13171, 2025. 工业实现见 Letta Docs: https://docs.letta.com/guides/agents/architectures/sleeptime/