河内机器人 综述论文 《Self-Improvements in Modern Agentic Systems: A Survey》
找到源头了！这是 arXiv 上的一篇 97 页综述论文 《Self-Improvements in Modern Agentic Systems: A Survey》
（arXiv: 2607.13104），由吉林大学、KAUST 等多家机构联合撰写，中文版由博客园 AI-Frontiers 翻译整理。
这篇综述非常适配你的技术兴趣，核心框架我给你拆一下：
---
核心框架：Agent = 大脑（θ）+ 外壳（Σ）
作者给出了一个极简的形式化定义[citation:web:50.17]：
Agent Aₜ = (基础模型 θₜ, 脚手架 Σₜ)
↑ 大脑 ↑ 外壳
Σₜ = (pₜ, mₜ, Tₜ, gₜ)
= (提示词, 记忆, 工具集, 控制逻辑)
自我改进就是 Agent 自己生产学习信号，持久地修改自己的固有配置（不是临时上下文）。
---
两条主路径
自我改进
├── 路径一：基础模型改进（θ 慢循环）—— 改权重，贵、慢、稳
│ ├── 自己造数据练自己（Self-Instruct / STaR）
│ ├── 自己当裁判（Constitutional AI / Meta-Rewarding）
│ └── 从环境交互学习（WebRL / 自博弈）
│
└── 路径二：脚手架改进（Σ 快循环）—— 不改权重，快、可逆、灵活
├── 提示优化（APE / OPRO / TextGrad / DSPy）
├── 记忆进化（RAG → Agentic RAG → 自管理记忆）
├── 工具治理（动态路由→迭代精炼→自主创建工具）
└── 全脚手架重构（自指代码更新，如 Darwin Gödel Machine）
两条路径的互补关系
快循环探索、慢循环巩固——快循环（脚手架）负责快速试错和探索，验证有效的能力通过慢循环（模型权重微调）沉淀进参数，跨任务摊销成本。
---
几个与你研究高度重叠的点
技能（Skill）的定义
论文把技能定义为"可复用的自改进算子"[citation:web:50.17]，分为：
对象级技能：解决外部任务
元级别技能：修改 Agent 自身配置（改提示、写工具、更新记忆）
这正是你之前关注的 Claude Code Skill 机制的理论化表达——SKILL.md 本质上就是"元级别技能"的载体。
自我改进三定律（来自澎湃的报道）
论文借鉴阿西莫夫机器人三定律，提出了自进化 AI 三定律[citation:web:50.14]：
Endure（安全适应）：任何修改必须保证系统安全与稳定
Excel（性能保持）：修改后不能降低现有任务性能
Evolve（自主进化）：在前两者基础上，自主优化内部组件
与你之前关注的 Nacos + Agent 集成
脚手架改进中的工具治理路线——动态工具路由、迭代工具精炼、自主工具创建——和你之前聊的"Agent 通过 Nacos 动态发现和调用微服务"是同一个方向。这篇综述把 Voyager（Minecraft 中自主写技能代码入库复用）、ToolMaker 等归为"自主工具创建"，认为这是突破基础模型原生上限的关键机制[citation:web:50.17]。
核心警示
Critic（评委）是攻击面而非中立裁判：把评委嵌进闭环训练，智能体会学会"让评委满意"而非"把任务做对"。[citation:web:50.17]
这和你做 Skill 时提到的"description 触发精度"问题是一个道理——评估机制本身会成为优化目标而非度量标准。
---
相关资料
| 资源 | 链接 |
|:----|:----:|
| 论文原文 | arxiv.org/pdf/2607.13104 |
| GitHub 合集 | github.com/selfimproving-agent/awesome-Self-Improving-Agents |
| 中文解读 | mp.weixin.qq.com（搜标题） |