EXG：基于经验图谱的自演化智能体

基于大语言模型（LLM）的智能体已通过多步交互展现出强大的复杂推理与问题求解能力，但大多数已部署的智能体在行为上仍是静态的，执行过程中获得的知识很少能转化为随时间的系统性提升。为此，自演化智能体方向日益壮大的研究探索智能体如何在部署期间通过经验改进，但现有方法大多要么依赖局限于单任务纠正的临时性反思，要么采用非结构化记忆，积累碎片化经验且可用性滞后。针对这一局限，我们提出EXG，一个面向自演化智能体的经验图谱框架，将积累的成功与失败显式组织为结构化的关系表示。EXG是首个为自演化智能体设计的经验图谱，既支持执行期间的在线、实时图增长以实现即时的跨任务经验复用，也支持将整合后的经验图谱作为外部记忆模块进行离线复用。这一设计还使EXG能够作为现有自演化智能体的即插即用组件，把既有经验组织为统一的经验图谱，并随着部署推进同时提升解的质量与资源效率。在代码生成与推理基准上的大量实验表明，无论在线还是离线评估，EXG都比基于反思和记忆的基线取得更有利的性能-效率权衡。我们的结果表明，将经验组织为图谱，为可扩展、可迁移的自演化智能体行为提供了有原则的基础。