论文页面 - AgentStream：自我进化的 LLM 智能体在流式任务下表现如何？

来源：https://huggingface.co/papers/2608.00155

摘要

大型语言模型（LLM）智能体可以通过不断从自身积累的经验中改进来实现自我进化。然而，现有研究主要采用独立评估。因此，在现实的流式设置中——智能体需要适应多样且复杂的任务流——自我进化智能体的行为仍然鲜为人知。为了弥补这一空白，我们提出了 AgentStream，一个统一框架，通过将智能体基准测试组织为可配置的任务流，并在测试时实例化隔离（Isolated）、顺序（Sequential）和交错（Interleaved）三种流式场景（这些场景逐步改变任务流的范围和领域构成），来评估涵盖不同进化组件的自我进化智能体。在这些场景中，我们对三个前沿基础模型上的五种代表性自我进化方法进行了组合评估，厘清了模型能力、方法架构和流式场景如何共同塑造自我进化。我们的结果表明，自我进化的可靠性在不同流式场景间存在差异；自我进化的收益受模型能力限制，且对模型强度呈非单调关系；没有任何单一方法能在所有模型和场景中占优。这些发现为在不同模型和流式场景下选择自我进化方法提供了具体指导。总体而言，我们主张自我进化智能体应在现实任务流而非隔离的单一任务设置下进行评估。

查看 arXiv 页面 查看 PDF GitHub 添加到收藏

在您的智能体中获取该论文：

hf papers read 2608.00155

没有最新 CLI？

curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.00155，即可从此页面链接到它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.00155，即可从此页面链接到它。

引用此论文的 Space 0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2608.00155，即可从此页面链接到它。

包含此论文的集合 0

没有集合包含此论文

将此论文添加到集合（https://huggingface.co/new-collection）以从此页面链接到它。