AI 是真的在进化，还是看起来在进化

艾略特 2026-04-19 11.9 KB 𝕏 文章列表

文章探讨了 AI 进化的方向已从单纯的模型参数优化转向 Agent 的自我进化。分析了 Hermes Agent、OpenClaw 等基于 Skill 和 Context 的技术路径，指出从 LoRA 参数更新转向 SKILL.md 的范式转移降低了工程门槛。同时，作者提出了构建 EvoAgentBench 评测标准的必要性，以量化评估 Agent 的自进化能力，并展望了参数空间与 Context 空间未来合流的架构趋势。

# AI 是真的在进化，还是看起来在进化 **作者**: 艾略特 **日期**: 2026-04-19T04:15:53.000Z **来源**: [https://x.com/elliotchen100/status/2045717999349531080](https://x.com/elliotchen100/status/2045717999349531080) --- ![Image](/doc/753/image/img_19d47a03ae5c.jpg) 最近我们思考最多的一个问题，AI 到底进化了多少？好奇这个问题的人各种各样，有做产品的，有做投资的，也有圈外的朋友。他们的潜台词通常差不多。从去年 GPT-4 那波到今年这堆新模型，demo 一个比一个炸，但真上手用，好像还是那样。这个「好像还是那样」，就是我们想聊的东西的起点。 AI 是真的在进化，还是只是看起来在进化。 ## 先说一个不太舒服的事实如果你把「进化」定义成模型参数本身变得更聪明，那 2025 下半年到今天，这条曲线确实在放缓。 Scaling Law 走到一个需要算力和数据再翻几番才能换来边际提升的阶段，新一代模型在 benchmark 上的涨幅，普通用户越来越难感受到。这不是任何一家厂商的问题，是整个底模赛道共同走到的一个台阶。所以你朋友感觉到的「好像还是那样」，不是错觉。至少在「模型变聪明」这个维度上，进化确实慢下来了。 ## 但真正在陡升的曲线，换了一个地方有意思的是，如果换一个定义看，「进化」指的是 AI 系统越用越顺手，那另一条曲线今年正在变得非常陡。这条曲线今年有一个公共的名字，self-evolving agent。 Nous Research 的 Hermes Agent 在 4 月发布，一句「The agent that grows with you」把价值主张讲透了，配套的 GEPA 算法拿到 ICLR 2026 Oral，在线感知和离线优化两条线都开源，是整个方向里产品化最彻底的代表之一。Peter Steinberger 的 OpenClaw 作为社区项目，4 月已经 350K star，把「越用越顺手」做成了开发者日常的体感。紧接着 EvoMap 和 AgentEvolve 接连发出，每一家的切入点都不一样，但都在共同扩大同一件事情的边界。论文赛道这边同样热闹，EvoSkill、Trace2Skill、OpenSpace、Memento-Skills、A-Evolve、ReasoningBank、SkillRouter 一篇接一篇，各自在验证机制，轨迹处理，检索层，记忆颗粒度上做不同维度的探索。这些工作放到一起，传递的是同一个叙事。Agent 不应该每次都从零开始，昨天解决过的问题，踩过的坑，写顺手的小脚本，应该沉淀下来变成可复用的技能。在这个叙事下，AI 的进化确实还在发生，只是载体换了。 ## 要把这条新曲线讲清楚，还得往回倒一层时间线 self-evolving 这条路不是 2026 年才开的。追到源头，绕不开一个词，LoRA，龙虾。 2022 年底到 2024 年，做 AI 的人没有几个没碰过 LoRA 的。它的想法很漂亮。不动全量参数，塞一小撮低秩矩阵进去，让模型带着增量学。那会儿大家讲的故事几乎一样，每个用户一套 LoRA，每个任务一套 LoRA，挂上去就能个性化。 LoRA 本身没有错，它在参数高效微调这条路上走得很远，今天依然是很多定制化场景的主力方案。但那套「人人一套 LoRA」的想象，走到一半遇到一个共同的问题。参数里学到的东西，人读不到，改不动，审计起来也不方便。不是 LoRA 不够好，是参数空间这个载体本身，对「跨团队沉淀经验」这件事不够友好。我们自己那两年踩得最深的一个体会是，客户不是不愿意让 agent 学，是不敢让它学。学过的东西看不见摸不着，出了问题只能整个模块扔掉重来。这种黑盒感，不是技术问题，是信任问题。 ## 转折点：从参数到 context 范式的拐点很清楚。 Anthropic 把 Claude Code Skills 做出来，把「技能」做成一个 SKILL.md 文件夹，OpenAI 紧接着跟上 Agent Skills。那一刻开始，让 agent 学东西，从改参数变成了改 context。这个变化的戏剧性，第一眼看不太显眼。不就是一个 markdown 文件吗。但你稍微想一下。这个文件，人能读，人能改，diff 能看，能 git commit，能回滚，能合并，能跨团队共享，能在公司内部做一个 skill market。它还能被另一个 agent 读，然后改，然后写回去。这些动词，LoRA 一个都做不到。工程门槛直接降了两个数量级，从「要一个 ML infra 团队」降到「一个会写 prompt 的人加一台笔记本」。所以今年这波浪潮，本质上是所有人在共享一个新的公共基础。可读，可 diff，可组合的 context 空间。Hermes、OpenClaw、EvoMap、AgentEvolve 以及一众论文方案，都是在这个新地基上各自搭上层建筑，路径不同，但大家都在把同一条曲线往上推。 ## 地基好了，共同的挑战也显形了好的地基会让上层问题变得更显眼。这一代所有方案都在共同面对同一个挑战。skill 的生成和验证，没有 loss function 兜底。LLM 生成的 skill，LLM 自己没法证伪，除非你在外面建一整套验证环节。这件事的严重性，A-Evolve 那篇论文给了一个很说明问题的数据。他们把流水线里的 Verify 环节去掉，直觉上最多是持平，结果是明显下降。原因也很朴素。skill 库是 agent 的外部记忆，未经验证的 skill 写进库，下次就可能以「权威指引」的姿态出现在 context 里，一步步把任务带偏。所以你会看到，每一家头部方案都在验证环节上认真下功夫。Hermes 的 GEPA 离线流水线跑 pytest 回归，过不了 Constraint Gate 的变体直接退场。Trace2Skill 把成功和失败轨迹分两路，ErrorAnalyst 在循环里反复验证 patch 到底修没修对。ReasoningBank 把记忆颗粒度从代码片段抬高到启发式，降低单条噪声的污染面。EverOS 这边，我们选的路径是在 skill 之前加一层 Case，让单条噪声轨迹不直接污染 skill，用三级抽象来处理同一件事。这些工程选择各有各的考量，但大家都在往同一个方向趋近。 ## 再往深一层，是一个大家心里都清楚但还没解决的问题工程层面的挑战，各家都在解。但再往深一层，会看到一个整个赛道共同面对但还没有答案的问题。到底进化了多少，我们怎么量。不是说现在没有 benchmark。SkillsBench 在 86 个任务上测人工 skill 的增益，Evo-Memory 做了 10 多种记忆模块的横向对比，LifelongAgentBench 在三个交互环境里做长链任务评估，SEA-Eval 切入 token 消耗收敛的视角。每一套都覆盖了一部分，每一套的诞生都有自己清晰的学术目标。但回到几个核心问题，agent 到底在什么能力上学会了，知识能迁移多远，和人工设计的差距有多大，受控条件下开关自进化的差别到底有多少。现有的工具还没有谁能同时回答得了。 Hermes Atlas 那份社区报告里有一句话，我们一直记得。 real numbers, not vibes. 这句话不是针对某一家说的，是整个赛道到现在共同的一个处境。按我们跑完各种实验以后的体会，一个足够好用的自进化评测集，至少要同时过四关。第一，纵向追踪，测学习曲线而不是一次性考试。自进化的价值恰恰在「从第 1 次到第 100 次之间发生了什么」。第二，任务要「相似但不相同」。完全相同考的是记忆，完全不相关考的是底模泛化，相似不相同才真正考 skill 的抽象与复用。第三，双指标同时量「会造 skill」和「会用 skill」。skill 写得好但检索不到，检索到但不采用，采用但用错场景，这三种都是完全独立的死法。第四，受控对照。同任务集乘同底模乘开关自进化，消除变量干扰。不是和自家上一版比，是把进化这件事从其他噪声里剥出来。这四条不是批评谁的标准，是我们这一年摸下来，觉得「尺子」至少需要长成这样的共识。 ## 这正是我们想做的事情把尺子做出来，这就是我们这一年在做 EvoAgentBench 的出发点。它的设计就是按上面那四条原则落地的。按能力聚类把任务切成 116 个 skill cluster，train 和 test 在 cluster 内严格不重叠，每个 cluster 配专家撰写的三层 Human Design 作为诊断锚点，分同簇，跨簇，近域，远域四层测量迁移距离。覆盖信息检索，数学推理，软件工程，代码实现，知识工作五个域，合计 917 train / 288 test / 1205 任务。跑完第一轮以后，我们自己看到的结论很多都是反直觉的。有些域自进化收益巨大，有些域会反过来负增益。小模型从经验中获益反而比大模型更明显。带反馈的自进化在某些任务上会比不带反馈还差。这些现象用之前的 benchmark 看不出来，用 cluster 粒度和 Human Gap 去量，才真的显形。重要的是这把尺子是开源的，立场是中立的。Hermes、OpenClaw、EvoMap、AgentEvolve，或者任何一家想来跑一跑的团队，都可以用同一套标准上榜。如果哪家的方法在这把尺子下反超了我们自己的 EverOS，我们是第一个受益的人，因为我们会马上知道下一步要往哪里改。做尺子这件事，本质上不是给自己用的，是给整个赛道一起用的。赛道跑得快，是因为大家共享同一个坐标系。 ## 一个更长远的展望最后说一个更长远的判断。 LoRA 解决的是怎么让一个模型学一次，self-evolving 解决的是怎么让一个 agent 体系永远在学。前者是一次性的参数更新，后者是一个不停转的循环。这两条路今天看起来互不相干，但下一步大概率会合流。合流的方式不是谁吃掉谁，而是各自让渡一部分。高频经验用 skill 和 reasoning memory 沉淀，可读可审计。当某一类 skill 在某个域被反复调用，形成稳定模式，就触发一次轻量 LoRA 把能力烧进参数，烧完之后 skill 从库里卸载或降级。参数空间负责沉淀已经固化的东西，context 空间负责试探和迭代，中间有一条自动的晋升通道和退役通道。这个架构今天还没有一家完整做出来。但方向已经越来越清楚。Anthropic 在 Skills 上继续加码，OpenAI 把 Agent Skills 塞进 Codex，Nous Research 开源 GEPA，论文赛道在做 Case 抽象和 reasoning memory。龙虾不会死，skill 也不会独大，它们最终会拼成同一个闭环。到那一天，「AI 在进化」这件事，才真正从感性判断变成可量化的事实。 ## 收束回到开头那个问题。 AI 是真的在进化，还是只是看起来在进化。我们的回答分两截。这一代的进化载体换了，从参数换到了 skill 和 memory，从这个维度上讲 AI 确实还在进化，而且这条曲线比很多人以为的陡。但在尺子真正立起来之前，所有叙事都还差一步可以被验证的 real numbers。这件事没办法一家独立完成，也不该一家独立完成。我们能做的，是把 EvoAgentBench 这把尺子先打磨出来，硬到每一家在这条路上认真做事的团队，都能在同一个坐标系下看到自己真实的位置。龙虾开启了让模型学的前世。 SKILL.md 打开了让 agent 学的今生。一把足够硬，足够中立，足够开放的尺子，会让这场进化从看起来在发生，变成真的在发生。本篇文章是我们现实思考的问题，加上 AI 的润色生成的。 ## 相关链接 - [艾略特](https://x.com/elliotchen100) - [@elliotchen100](https://x.com/elliotchen100) - [475](https://x.com/elliotchen100/status/2045717999349531080/analytics) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [12:15 PM · Apr 19, 2026](https://x.com/elliotchen100/status/2045717999349531080) - [475 Views](https://x.com/elliotchen100/status/2045717999349531080/analytics) --- *导出时间: 2026/4/19 13:35:52*