预印本GuideEvolve：专家引导加3T机制优化自进化智能体，两基准接近最优且迭代减半

结论

亚马逊团队公开预印本《GuideEvolve: Self-Evolving Agent Framework with Expert Guidance and 3Ts Mechanisms》，提出以任务专家引导加3T自治机制优化自进化智能体。作者报告称，在MGSM上达89.8%接近Gödel Agent的90.6%，在MMLU上以89.1%反超87.9%，方差降低25%至59%，进化成功率达100%并将所需迭代约减半。这是作者在受控评测上的单次报告结论，尚未经过同行评审，也未经本站独立复现，不应视为普遍、因果或可直接用于生产的事实。

研究状态与发布时间

该工作以arXiv预印本形式首次公开，版本为v1。arXiv摘要页记录的提交时间为2026年10月21日16时46分22秒UTC，换算为北京时间为2026年10月22日00时46分22秒，因此归入本次上海日历日10月22日窗口。arXiv当日cs.AI新论文列表明确标注为2026年10月22日星期四的新提交，摘要页与HTML全文页均可确认该时间与版本。论文主题为自进化智能体框架与评估优化，不涉及商业模型发布、产品功能上线或仓库版本本身，归入研究进展符合收录边界。

研究对象与方法

研究对象是基于冻结大模型的自进化智能体，重点解决Gödel类框架在Amazon Bedrock与Claude实现中出现的评测反馈粗糙、上下文溢出与进化不稳定问题。GuideEvolve把任务 expertise 与进化控制分离：求解器负责任务执行，独立的任务专家模型只看任务描述与抽样的成败样本，输出量化指标、优劣分析与可操作建议；中央自进化体再结合环境、历史与求解器逻辑改写求解器代码。3T机制包括快慢思考、回溯与自主终止，分别用于优化认知开销、取回历史最优逻辑恢复或启发再进化，以及自主判定进化终点。编辑理解是：专家只做单向引导而非多智能体互聊，真正的选择依据是 held-out 性能验证门控。

评估条件与数据范围

作者称在MGSM与MMLU两项基准上验证GuideEvolve，对比基线为Gödel Agent特定配置，底层为Bedrock上的Claude模型实现。评估固定专家采样、进化历史管理与资源管控实现，考察最终准确率、跨重复方差、进化成功率与所需优化迭代数，并做消融与进化轨迹分析。以上范围均来自当日论文内同一套协议，不涉及其他领域数据、其他模型家族与真实生产流量。

作者报告的主要结果

作者称GuideEvolve在MGSM上达89.8%，对比Gödel Agent的90.6%；在MMLU上达89.1%，对比基线的87.9%。跨重复方差降低25%至59%，进化成功率达100%，优于基线的82%。所需优化迭代由基线的30次降至两任务上的15.1次与13.4次，约减少一半。作者还称原OpenAI实现中约4%意外终止与14%优化失败等不稳定在新框架下得到缓解。以上均为论文内受控评测数值，编辑解释是：接近或反超仅限这两基准与特定实现，不等于通用最优，不构成对其他任务、其他版本或部署成本的保证。

局限与不确定性

本工作为预印本，未经同行评审，结论限于MGSM与MMLU两基准、Bedrock上Claude特定实现与Gödel特定基线，不推广到其他模型规模、领域分布与真实业务环境。专家报告质量、3T触发阈值、采样策略、提示与资源管理实现均会影响进化路径与结果，存在提示敏感性与超参敏感性。方差与迭代收益在受控重复下报告，长期稳定性、容错边界与计算成本仍待验证。引用前需等待独立复现，不应将受控相关性写成因果或已获认可的事实。

潜在意义

若后续复现成立，该路线提示应把专家评估与进化控制解耦，并以轻量历史与显式终止治理递归自改进，而非只靠开放式自修改；一阶引导类比有望为企业级智能体提供更稳的优化范式。但在复现与评审完成前，中国读者宜将其视为待验证的研究候选，而非可直接用于采购或部署决策的结论。