文章核心观点 - 在2025年，随着AI Agent应用的极速发展，大型语言模型（LLM）的“静态”属性成为AI发展的关键瓶颈，业界焦点开始从静态预训练模型向“持续适应系统”转变，对LLM和Agent的“自进化”能力愈发重视[1] - 尽管自进化领域面临巨大机遇，但目前仍缺乏区分短暂性能提升与通用能力真正进步的共同标准，且该范式仍处于发展初期，涉及多领域交叉[1][5] - 人工智能顶会（如ICLR）已开始设置专门研讨会探讨自进化主题，标志着该领域正从思想实验转变为工程现实，相关研究框架正在被体系化地梳理和完善[7][8] Self-Evolving 在过去一年里有何进展？ - LLM静态属性暴露局限性：2025年，LLM能力的进步推动了AI Agent应用渗透各类任务，但也暴露出其“静态”属性的局限，即遇到新任务、新知识或动态场景时无法调整内部参数，这被视为AI发展的关键瓶颈[5] - 业界焦点转向持续适应系统：对动态持续适应能力的需求，催生了业界对构建能实时调整感知、推理和行动的智能体的探索，焦点开始从“静态预训练模型”向“持续适应系统”根本转变[5] - 技术探索处于发展初期：自进化范式因涉及基础模型、强化学习、在线学习、认知神经科学等领域的交叉，仍处于发展初期，学界存在不同方向的探索和尝试[6] - 研究方向出现演变：2025年上半年，许多工作从思维链数据、模型组件等视角探索自进化；下半年，探索发现强化学习或许不是唯一答案，改善记忆系统或加强内在元认知学习能力同样对LLM的自我改进有帮助[6] - 经济效能驱动需求：多篇对2026年AI发展的趋势展望指出，企业开始寻求能独立承担端到端流程的“Autonomous Worker”，只有具备自进化能力的系统才能在无需人类频繁干预下处理长尾问题和动态异常[6] Self-Evolving 的研究重点在如何演变？ - 顶会设置专门主题：ICLR 2025首次在研讨会中设置了“Scaling Self-Improving Foundation Models”主题，探讨在没有人类监督的情况下如何通过生成合成数据持续提升模型性能，并区分了自进化与标准监督学习、强化学习的关键区别[7] - 研究主题持续深化：ICLR 2026为自进化范式设置的研讨会主题聚焦于“AI with Recursive Self-Improvement”，讨论如何为强大可靠的自我改进AI系统构建算法基础，此前相关研讨会多强调单一模态或算法细节，而未详细说明部署和安全实践[7] - 从思想实验到工程现实：LLM的进展已将递归自我改进从思想实验转变为工程现实，修改自身提示词、目标函数或权重的训练循环，现已成为基础模型开发和一系列下游应用的核心组成部分[8] - 建立评估维度：ICLR 2026设置了“改变目标”、“适应时机”、“适应机制”、“运行环境”和“证据维度组织”五个维度，来评估新出现的自进化研究工作[8] - 体系化梳理研究框架：伴随对AI自进化能力的兴趣增加，业界开始成体系地梳理该领域的研究框架，以明确到底什么构成了所谓的“自进化”[8] 2026 年的 Self-Evolving 工作都在关注哪些问题？ - 文章未提供关于2026年自进化工作具体关注问题的详细内容，该部分内容需查看完整解读[4][9][11]