第11章自我进化与持续学习

🧬 "普通 Agent 解决任务；自我进化 Agent 解决任务，并学习如何更好地解决下一类任务。"

前面的章节里，我们让 Agent "会用工具、会记忆、会思考、会检索、会训练"。但这些能力大多是静态的：写好的 Prompt 不会自己变好，训练完的模型认知被冻结，今天教会的教训明天可能重犯。

本章聚焦一个贯穿全书的主题——自我进化（Self-Evolution）：让 Agent 把每一次交互的副产物（成功模式、失败教训、可迁移技能）沉淀下来，并在后续任务中自动复用与提升。

本章把"自我进化"从浅到深拆成四个层次：

节	内容	核心收获
11.1	Prompt 自动调优	从手工提示词到自动搜索/反思进化：APE、OPRO、DSPy、TextGrad、GEPA
11.2	Self-Evolution Agent	自我改进闭环架构、工程落地路径、前沿研究全景、三角色视角与被低估的“总结者”
11.3	Agentic 数据飞轮	轨迹收集→质量过滤→奖励标注→训练迭代的持续自我强化闭环

进阶脉络：进化“提示词” → 进化“整个系统行为与前沿能力” → 建立“持续数据飞轮”。从 11.1 的 Prompt 级进化，到 11.2 的系统级闭环与研究前沿，再到 11.3 的工程化持续迭代系统，逐层加深。

Keyboard shortcuts