自我演化智能体作为动态图变换：综述与新视角

# 自进化智能体作为动态图变换：综述与新视角 来源：https://arxiv.org/html/2608.18104 作者：Xuanyuan Xu, Wenjie Zhang, Yin Chen, Xuemin Lin, Ying Zhang手稿接收日期：\（此处原文可能缺失）\。通讯作者：Ying Zhang \(邮箱：ying\.zhang@zjgsu\.edu\.cn\)。Xuanyuan Xu 和 Wenjie Zhang 隶属于澳大利亚悉尼新南威尔士大学计算机科学与工程学院，邮编 NSW 2052 \(邮箱：yuanyuan\.xu@unsw\.edu\.au；wenjie\.zhang@unsw\.edu\.au\)。Yin Chen 隶属于澳大利亚悉尼科技大学工程与信息技术学院，邮编 NSW 2007 \(邮箱：yin\.chen@student\.uts\.edu\.au\)。Xuemin Lin 隶属于中国香港中文大学（深圳）数据科学学院，中国深圳 518172 \(邮箱：xuemin\.lin@gmail\.com\)。Ying Zhang 隶属于浙江工商大学共同富裕统计监测与智能治理实验室，中国浙江省杭州市 310018 \(邮箱：ying\.zhang@zjgsu\.edu\.cn\)。

###### 摘要
基于大语言模型（LLM）的智能体正日益成为自进化系统，这些系统能在交互中持续存在，维护记忆，使用工具，获取技能，优化工作流程，并与其他智能体协调。这些能力使得智能体状态具有结构性和动态性：实体、关系、属性、依赖关系和执行结构会随着新证据、反馈和环境条件而变化。现有的图-智能体综述通常将图视为支持智能体功能的结构基础，而非不断演变的基底；而自进化智能体综述则侧重于智能体层面的机制，很少讨论图拓扑的演变。因此，演变中的智能体状态与动态图拓扑之间的耦合关系仍待深入探索。本综述通过将智能体演化框架为动态图变换，连接了这两条研究路线。我们将智能体状态建模为动态图，其中记忆、工具、技能、工作流程和智能体间关系被表示为类型化的节点、边和子图，并通过模式约束的重写进行更新。基于此形式化表述，我们将现有的基于动态图的自进化智能体方法组织为四个分类：节点/特征演化、边/拓扑演化、子图激活和跨组件协同演化。在此分类基础上，我们提出动态图学习作为自进化智能体的可复用基础设施，并将九个动态图学习子领域映射到智能体演化能力，讨论了它们的适配方式和可能的故障模式。最后，我们从动态图视角讨论了五种图感知的评估与治理协议，作为端到端任务评估的补充。目标是为设计和治理自进化智能体提供一个紧凑的结构性视角。Github：Self\-Evolving\-Agents\-with\-Dynamic\-Graph (https://github.com/LuckyGirl-XU/Awesome-Agent-Dynamic-Graphs.git)

###### 索引关键词： 自进化智能体、LLM智能体、动态图、动态图学习

## I 引言
基于大语言模型（LLM）的智能体正从短期任务求解器演进为长期运行的系统，这些系统跨会话持续存在、积累经验，并随时间调整其行为\[158 (https://arxiv.org/html/2608.18104#bib.bib1),140 (https://arxiv.org/html/2608.18104#bib.bib2)\]。它们的能力现在包括持久记忆、工具使用、技能获取、工作流程优化和多智能体协调\[101 (https://arxiv.org/html/2608.18104#bib.bib28),103 (https://arxiv.org/html/2608.18104#bib.bib14),193 (https://arxiv.org/html/2608.18104#bib.bib91),154 (https://arxiv.org/html/2608.18104#bib.bib15)\]。因此，智能体状态既是非平稳的，又是结构上不断演化的：存储的知识、可用的能力、可执行的工作流程以及智能体间的关系，都可以通过交互、反馈和环境漂移而演化。因此，理解此类系统需要一种动态的结构性视角，以解释智能体状态、能力和关系如何随时间变化。参见图注图1：本综述相对于现有LLM智能体、图智能体和动态图综述的定位。现有综述从两个互补但大体分离的视角探讨了这个问题。图智能体综述\[5 (https://arxiv.org/html/2608.18104#bib.bib193),85 (https://arxiv.org/html/2608.18104#bib.bib194)\]主要*以智能体功能为中心*，研究静态图如何支持记忆、检索、工具使用和多智能体协调。自进化智能体综述\[32 (https://arxiv.org/html/2608.18104#bib.bib192),24 (https://arxiv.org/html/2608.18104#bib.bib3)\]主要*以智能体演化机制为中心*，研究智能体组件如何通过反思、自训练、自奖励和经验提炼进行适应。然而，这两种视角都未能完全捕捉自进化智能体的一个核心特性：对记忆、工具、技能、工作流程和智能体间关系的持续更新在结构上是耦合的，并且可以随时间通过依赖关系传播。因此，现有综述对于建模、分析和治理那些状态作为动态结构演化的智能体系统支持有限。这一差距促使我们提出一种新视角，联合建模智能体功能、状态演化和动态图拓扑，如图1 (https://arxiv.org/html/2608.18104#S1.F1)所示。本综述旨在通过将*智能体演化框架为动态图变换*来弥合这一差距。因此，一个自进化智能体可以是一个耦合实体和关系的结构化系统。当这些结构通过交互演化时，*动态图视角*变得自然：类型化的节点和边编码异构状态，时间属性跟踪演变中的证据，模式约束的重写对激活、传播和回滚建模。这一视角催生了三个动机。动机一：统一异构的智能体现有智能体演化研究\[125 (https://arxiv.org/html/2608.18104#bib.bib11),203 (https://arxiv.org/html/2608.18104#bib.bib32),193 (https://arxiv.org/html/2608.18104#bib.bib91),86 (https://arxiv.org/html/2608.18104#bib.bib85),149 (https://arxiv.org/html/2608.18104#bib.bib199),89 (https://arxiv.org/html/2608.18104#bib.bib201),43 (https://arxiv.org/html/2608.18104#bib.bib197),23 (https://arxiv.org/html/2608.18104#bib.bib207),62 (https://arxiv.org/html/2608.18104#bib.bib208),136 (https://arxiv.org/html/2608.18104#bib.bib157),209 (https://arxiv.org/html/2608.18104#bib.bib206)\]涵盖了基于动态图的智能体方法、图结构的智能体模块以及非图机制，涉及记忆、工具使用、工作流程优化、通信拓扑、协调效率和安全治理。然而，这些工作仍然是分散的，具有不同的假设、目标和评估标准。这促使我们采用一种动态图变换的视角，在此视角下，可以一起研究异构的演化机制及其下游的依赖关系、修订和回滚。动机二：连接动态图学习与自进化智能体。动态图学习\[56 (https://arxiv.org/html/2608.18104#bib.bib7),112 (https://arxiv.org/html/2608.18104#bib.bib182),135 (https://arxiv.org/html/2608.18104#bib.bib176),29 (https://arxiv.org/html/2608.18104#bib.bib61),126 (https://arxiv.org/html/2608.18104#bib.bib8),118 (https://arxiv.org/html/2608.18104#bib.bib42),166 (https://arxiv.org/html/2608.18104#bib.bib43),50 (https://arxiv.org/html/2608.18104#bib.bib48),177 (https://arxiv.org/html/2608.18104#bib.bib49),169 (https://arxiv.org/html/2608.18104#bib.bib167)\]为建模演化结构提供了成熟的基础，包括事件流、时间依赖关系、图生成和解释。这些基础与自进化智能体直接相关，因为自进化智能体的记忆、工具、技能、工作流程和智能体间关系也会在新的证据、反馈和漂移下变化\[209 (https://arxiv.org/html/2608.18104#bib.bib206),98 (https://arxiv.org/html/2608.18104#bib.bib267),69 (https://arxiv.org/html/2608.18104#bib.bib239),116 (https://arxiv.org/html/2608.18104#bib.bib104)\]。然而，这两个领域在很大程度上仍然是分离的：动态图学习很少针对持久的智能体状态演化，而智能体综述很少解释动态图方法如何可以作为智能体演化基础设施被重用。这促使我们建立一座系统的桥梁，将动态图学习与自进化智能体的设计、适应、诊断和治理连接起来。动机三：迈向结构感知的评估与治理。当前对自进化智能体的评估\[82 (https://arxiv.org/html/2608.18104#bib.bib78),91 (https://arxiv.org/html/2608.18104#bib.bib93),52 (https://arxiv.org/html/2608.18104#bib.bib81),151 (https://arxiv.org/html/2608.18104#bib.bib106)\]在很大程度上仍以任务或答案为中心，这可能会忽略演化状态中的故障：正确的答案可能依赖于过时的记忆，不安全的更新可能通过工具或工作流程传播，不可追溯的变化可能在交互中持续存在。最近的安全研究\[120 (https://arxiv.org/html/2608.18104#bib.bib77),18 (https://arxiv.org/html/2608.18104#bib.bib111),188 (https://arxiv.org/html/2608.18104#bib.bib112)\]加强了这种需求：工具使用基准测试暴露了调用、有状态交互、提示注入和有害多步骤操作中的故障，而多智能体研究\[209 (https://arxiv.org/html/2608.18104#bib.bib206),45 (https://arxiv.org/html/2608.18104#bib.bib209)\]表明错误和异常可以通过通信结构传播。这些发现需要结构感知的评估和治理，其中执行记录被建模为动态依赖图，以支持溯源追踪、受影响范围分析、回滚和审计\[123 (https://arxiv.org/html/2608.18104#bib.bib284)\]。贡献。这些动机塑造了本综述的组织结构。我们首先为智能体演化开发了一种动态图视角，将动态图变换作为基于动态图、基于图和可图变换智能体方法的共享形式空间。此视角通过类型化的节点、边、子图和依赖感知的重写来表示演化中的智能体状态。它产生了两个核心贡献：现有基于动态图的智能体工作的四模式分类；以及从九个动态图学习子领域到智能体能力的系统性映射。我们进一步将这一结构性视角扩展到图感知的评估与治理，以补充端到端任务评估。总体而言，动态图变换提供了连接智能体演化机制、动态图学习和治理协议的组织性视角，如图1 (https://arxiv.org/html/2608.18104#S1.F1)所示。本综述做出以下贡献。 - •概念框架：我们将智能体演化形式化为动态图变换，将演化的记忆、工具、技能、工作流程和智能体间关系表示为类型化的节点、边和子图。 - •系统分类：我们通过四种图变换模式组织现有的自进化智能体工作：节点/特征演化、边/拓扑演化、子图激活和跨组件协同演化。 - •基础设施桥梁：我们将动态图学习与自进化智能体基础设施连接起来，通过映射九个动态图学习家族来推动预测、激活、生成、诊断、回滚和治理能力。 - •评估与治理：我们讨论了五种用于智能体演化的图感知评估与治理协议：无泄漏的时间评估、隐私与删除检查、安全监控、回滚分析和审计。 - •未来议程：我们概述了在动态图框架下构建可靠、可审计和可控的自进化智能体的六个开放挑战。综述范围。本综述从动态图视角研究自进化智能体，而不是对自进化智能体\[32 (https://arxiv.org/html/2608.18104#bib.bib192),24 (https://arxiv.org/html/2608.18104#bib.bib3)\]、图支持的智能体系统\[5 (https://arxiv.org/html/2608.18104#bib.bib193),85 (https://arxiv.org/html/2608.18104#bib.bib194)\]、相关智能体子领域\[181 (https://arxiv.org/html/2608.18104#bib.bib195),170 (https://arxiv.org/html/2608.18104#bib.bib196)\]或通用动态图学习\[56 (https://arxiv.org/html/2608.18104#bib.bib7),126 (https://arxiv.org/html/2608.18104#bib.bib8),112 (https://arxiv.org/html/2608.18104#bib.bib182),135 (https://arxiv.org/html/2608.18104#bib.bib176),29 (https://arxiv.org/html/2608.18104#bib.bib61)\]进行广泛的回顾。组织结构。第II节 (https://arxiv.org/html/2608.18104#S2)介绍背景。第III节 (https://arxiv.org/html/2608.18104#S3)将智能体演化呈现为动态图变换，在一个四部分的分类下涵盖了现有的4646项基于动态图的智能体工作。第IV节 (https://arxiv.org/html/2608.18104#S4)将动态图学习视为智能体演化基础设施，按动态图家族组织。第V节 (https://arxiv.org/html/2608.18104#S5)讨论图感知的评估与治理，第VI节 (https://arxiv.org/html/2608.18104#S6)进行总结。

## II 预备知识
动态智能体图。我们将自进化智能体系统在时间t的状态表示建模为动态图 G\(t\)=\(V\(t\),E\(t\),XV\(t\),XE\(t\),Y\(t\)\)，\mathcal\{G\}\(t\)=\\big\(\\mathcal\{V\}\(t\),\\mathcal\{E\}\(t\),\\boldsymbol\{X\}\_\{V\}\(t\),\\boldsymbol\{X\}\_\{E\}\(t\),\\boldsymbol\{Y\}\(t\)\\big\)，\(1\) 其中V\(t\)\mathcal\{V\}\(t\)和E\(t\)\mathcal\{E\}\(t\)是时间索引的节点和边，XV\(t\)\boldsymbol\{X\}\_\{V\}\(t\)和XE\(t\)\boldsymbol\{X\}\_\{E\}\(t\)表示节点和边属性，Y\(t\)\boldsymbol\{Y\}\(t\)表示节点和边的标签。方程1 (https://arxiv.org/html/2608.18104#S2.E1)可以涵盖多种动态图类型\[50 (https://arxiv.org/html/2608.18104#bib.bib48),118 (https://arxiv.org/html/2608.18104#bib.bib42),168 (https://arxiv.org/html/2608.18104#bib.bib169),175 (https://arxiv.org/html/2608.18104#bib.bib46),150 (https://arxiv.org/html/2608.18104#bib.bib170),192 (https://arxiv.org/html/2608.18104#bib.bib54),146 (https://arxiv.org/html/2608.18104#bib.bib172)\]，包括连续时间动态图（CTDGs）、离散时间动态图（DTDGs）、动态异构图（DHGs）和动态文本属性图（DyTAGs）。借助这一动态图视角，我们接下来将智能体组件映射到图基元。节点和边模式定义了智能体图中的类型化对象和关系，而重写算子则刻画了这些结构在下文讨论的机制中如何演化。图条件化智能体策略。给定用户查询或环境输入qtq\_\{t\}、动作历史hth\_\{t\}和激活的支持子图Gact\(t\)\mathcal\{G\}\_\{\\mathrm\{act\}\}\(t\)，智能体通过以下方式选择动作 at∼Pθ\(⋅∣qt,ht,Gact\(t\)\)，a\_\{t\}\\sim\\mathcal\{P\}\_\{\\theta\}\\\!\\left\(\\cdot\\mid q\_\{t\},h\_\{t\},\\mathcal\{G\}\_\{\\mathrm\{act\}\}\(t\)\\right\)，\(2\) 其中 ata\_\{t\}可以是自然语言响应、工具调用、工作流程步骤或发送给另一个智能体的消息。这使得智能体图具有可操作性：图状态的重要性仅在于它如何条件化未来的智能体行为。节点模式。一个实用的自进化智能体基础模式包括四种核心节点类型：memory（记忆）、tool（工具）、skill（技能）和agent（智能体）。memory节点表示可能随时间被检索或修改的存储知识。tool节点描述外部可调用资源，例如API、数据库或环境接口，以及它们