立场论文：Agentic演化是演化LLM的路径

随着大语言模型 (LLM) 从策划的训练集转向开放式的现实环境，出现了一个根本性的限制：静态训练无法跟上持续的部署环境变化。扩展训练时间和推理时间计算可以提高静态能力，但并不能弥补训练与部署之间的差距。我们认为解决这一限制需要新的缩放轴演化。现有的部署时适应方法，无论是参数微调还是启发式记忆积累，都缺乏诊断故障和产生持久改进所需的战略机构。我们的立场是，代理进化代表了 LLM 适应的必然未来，将进化本身从固定管道提升为自主进化代理。我们在通用框架 A-Evolve 中实例化了这一愿景，该框架将部署时间改进视为针对持久系统状态的深思熟虑的、目标导向的优化过程。我们进一步提出了进化扩展假设：适应能力随着分配给进化的计算而扩展，将代理进化定位为现实世界中持续、开放式适应的可扩展路径。