AutoAgent：面向自适应智能体的认知演化与弹性记忆编排

自主智能体框架仍难以调和长期经验学习与实时、情境敏感的决策。实践中这一缺口表现为静态认知、僵化依赖工作流与低效上下文使用，共同限制了在开放非平稳环境中的适应性。为解决这些局限，我们提出自演化多智能体框架AutoAgent，由三个紧耦合组件构成：演化认知、即时情境决策与弹性记忆编排。AutoAgent的核心是每个智能体维护关于工具、自身能力、同伴专长与任务知识的结构化提示级认知。执行时，该认知与实时任务上下文结合，从包含工具调用、LLM生成与智能体间请求的统一动作空间中选择行动。为支持高效长程推理，弹性记忆编排器动态组织交互历史：保留原始记录、压缩冗余轨迹并构建可复用的情节抽象，在降低词元开销的同时保留决策关键证据。这些组件经由闭环认知演化过程整合：对齐预期动作与观测结果，持续更新认知并扩展可复用技能，无需外部再训练。在检索增强推理、工具增强智能体基准与具身任务环境上的实证表明，AutoAgent在任务成功率、工具使用效率与协作稳健性上持续超越静态及记忆增强基线。总体而言，AutoAgent为自适应自主智能体提供了统一且实用的基础，使其既从经验中学习，又能在动态环境中做出可靠的情境感知决策。