EE-MCP：通过自动化环境生成与经验学习实现自进化的MCP-GUI智能体

通过模型上下文协议（Model Context Protocol, MCP）将GUI交互与结构化API调用相结合的计算机使用智能体，在自动化软件任务方面展现出前景。然而，现有方法缺乏对以下问题的原则性理解：智能体应如何权衡这两种模态，以及如何跨多样应用实现迭代式自我改进。我们将MCP-GUI交互形式化为一个统一的混合策略学习问题，其中智能体学习何时每种模态能提供互补优势，并表明蒸馏与经验增广针对的是根本不同的失败模式——因而需要应用感知的机制选择。基于这一形式化，我们提出一个自进化框架，其全自动流水线统筹自动环境生成与验证、轨迹收集、基于差距的任务合成以及质量过滤后的训练——全程无需人工干预。一项关键创新是经验库（experience bank），它从轨迹对比中积累LLM习得的规则，从而无需微调即可在推理时实现改进。跨三个桌面应用的系统性跨应用分析揭示，最优策略取决于MCP-GUI构成：蒸馏在MCP主导任务上取得77.8%的通过率（+17.8个百分点），而经验库在GUI密集型任务上表现更佳（+10.0个百分点）。