Self-Evolving Coding Agents
Hao Zhou, Haichuan Hu, Ye Shang, Quanjun Zhang
cs.SE
2026-08-04
编码智能体部署后大多固定，而软件工程反馈密集、正适合自我进化。这篇综述按「进化对象」把 26 个系统分成五类，核心结论：进化不难，可信才难。
现在主流的编码智能体（SWE-agent、OpenHands 一类）能读仓库、改文件、跑测试、提补丁，但部署之后基本是静态的：基座模型、prompt、工具接口、记忆、控制流都定死。这跟真实的软件工程对不上。代码库一直在变，依赖会升级，测试会失败，修 bug 的尝试本身就在攒经验。如果智能体不能从这些反馈里学，就会在不同任务上反复踩同样的坑。软件工程之所以是研究「自我进化智能体」的天然试验场，恰恰因为它给的反馈比一般任务具体得多：单元测试、编译报错、运行时栈、CI 日志、code review 都是可执行、可复现的信号。这篇综述要做的，就是把「自我进化的编码智能体」这个还在快速成形的概念理清楚。
综述用三层结构组织这片文献，核心是「对象中心」分类法，按到底进化了智能体的哪一部分，把系统分成五类。
框架自进化：智能体把自己的脚手架源码当可改工件，改完跑测试验证。代表是 SICA、SIFT、STOP，以及 Darwin Gödel Machine 一族（维护多个智能体变体做开放式进化）。最激进，可靠性风险也最大。
记忆自进化：把问题解决轨迹抽象成可检索的经验、仓库知识或修复经验。SWE-Exp、EvoCoder、Subtask Memory、EvoRepair（漏洞修复）、Repository Memory。
技能与工具自进化：把轨迹蒸馏成可复用的程序性技能，甚至让智能体自己造工具。CODESKILL、GSkill、Socratic-SWE、EffiSkill、Live-SWE-Agent（任务进行中造工具）。
模型自进化：改的是权重、策略或验证器，反馈闭环到模型侧。Self-play SWE-RL、Agent-RLVR，以及 coder 与 verifier 协同进化（ReVeal、CURE、ZeroCoder、Sol-Ver）、对抗测试（ACE）。
工作流与拓扑自进化：进化多智能体的协作结构和流程图。SEMAG、EvoMAC、AgentConductor、SEW、AFlow。
再补两个正交维度。「何时进化」分任务中（边做边改）、任务后（把单次结果沉淀成经验或技能）、阶段式（攒一批再更新模型，最接近跨代自我改进）。「靠什么证据进化」分结果证据（基准解决率、测试通过率，提供选择压力但粗）、环境反馈（编译、测试、运行日志，局部、任务中）、轨迹证据（完整尝试记录，靠抽象才能复用）。
作者反复划一条界：不是所有 SWE 方向的后训练都算自我进化，只有当学习信号闭环到智能体自己的尝试、自造任务或交互结果上时才算。SWE-RL、SWE-Gym、SWE-RM 因此被归为基础设施或模型优化，算不上完整的自我进化智能体。
综述没有跑实验，它的「结果」是梳理 26 个代表系统后的几点判断。软件工程给自我进化提供了别处没有的具体反馈（可执行产物加仓库级上下文加轨迹），这是它区别于通用自我进化智能体的根本优势。五类对象里，越靠近「改智能体自身」（框架、模型），增益潜力越大，可靠性、安全、过拟合风险也越高；越靠近「存与取」（记忆、技能），越稳但天花板受限。一个被多次强调的反直觉点是：造更多数据不等于进化。近期的自博弈分析显示，可持续改进要求跨迭代有可学习的信息增益，否则循环只是在强化已有偏置或产出冗余任务。评估现状是强在功能正确性（pass rate、resolve rate、Pass@k），弱在可维护性、安全和长期可靠性，以及在「进化设定之外还管不管用」的泛化；仓库级基准（SWE-bench 一族）是主战场，函数级和竞赛编程是补充。作者的核心主张一句话：中心挑战在于让它的进化可信，进化本身反倒不难。
给了一张能用的地图：如果你在做编码智能体、想加「学习」能力，这五类对象加时机加证据三个维度，能帮你定位自己的系统、找到对标工作。它划清了「自我进化」和「普通 SWE 后训练」的边界，这条线对写论文、做 claim 的人尤其有用，避免把 SWE-RL 这类基础设施工作误当成完整的自我进化智能体。它还把「可信度」立成头号问题，并指出反馈不可靠会沿着记忆、技能、工作流、模型层层放大：一个错的测试不只是影响一个补丁，会被存进记忆、蒸馏进技能、用来更新策略。这对真要上生产的团队是清醒剂。配套还有一个持续更新的 awesome 列表。
这是「引导性综合」而非成熟范式的终评，作者自己说领域边界还在流变，分类有主观成分，五类也不互斥（一个系统常同时进化多个对象）。26 个代表系统的选择标准没完全交代，如何从更大池子里挑出来没说清，可能有遗漏或偏向。没有统一的横向比较，比如各系统在 SWE-bench 上的解决率横评，只做了定性归类，对想知道「哪条路现在最强」的读者帮助有限。综述点出的开放问题（基准过拟合、反馈可靠性、长期记忆维护、跨域泛化）大多是提出而非解答，离工程落地都还有距离。自我进化的安全和对齐风险（智能体改自己的脚手架可能破坏 agent loop、利用评估 harness 的弱点）被提到但没深入。