1.论文信息
标题：SEW: Self-Evolving Agentic Workflows for Automated Code Generatio：用于自动代码生成的自我进化的代理工作流程
收录的会议/期刊：
作者信息：
arxiv：🔗
github网站：🔗
github代码：🔗
2.泛读
a. 名词解释
直接进化
操作对象 ：直接修改 智能体的原始提示词（Agent's Prompt）
通俗理解：直接给智能体 "换指令"
路径 ：原始提示词 → 变异提示词（Mutation Prompt） → 新提示词（一阶 DE 是 1 次迭代，二阶 DE 是 2 次迭代）
示例 ：
一阶 DE：
原始提示（英文）："You are a proficient Python programmer..."
变异指令（指的是进化提示词的规则 ）（英文）："Modify this instruction in a way that no self-respecting LLM would!"
→ 新提示（英文）："Creative Instruction... Challenge Accepted: Python Code Wizardry!"
二阶 DE 则在此基础上，再次用新变异指令迭代新提示词 ，让指令更简洁（如 Reimagined Challenge: As a skilled Python developer... ）
超进化
操作对象 ：先修改 "变异提示词" 本身（Mutation Prompt / Hyper - mutation Prompt），再间接改智能体提示词
**通俗理解：**先给 "换指令的规则" 换思路，再让智能体指令进化
路径 ：任务描述/思考逻辑 → 超变异提示词（Hyper - mutation Prompt） → 变异提示词（Mutation Prompt） → 新提示词。
示例（零阶 HE） ：
任务描述（英文）："LiveCodeBench involves..."
思考式提示词（英文）："How can I simplify the problem so that it is easier to solve?"
→ 超变异后生成新 Mutation Prompt（英文）："Mutator Prompt... Challenge..."
→ 最终生成新智能体提示词（英文）："Sure! Please provide the specific problem description"
多了 "思考逻辑→超变异提示词" 的元迭代层，间接影响最终指令。
b.创新点
一、机制创新："提示词自优化" 的自动化闭环
1. 突破人工依赖的进化逻辑
传统方式 ：提示词需人工设计、调试，效率低且依赖经验。
创新点 ：用 LLM 自身能力迭代提示词，实现 "提示词→LLM→新提示词" 的自动化闭环（如一阶直接进化中，LLM 依据 Mutation Prompt 自动改写 Agent's Prompt ）。
示例（一阶直接进化）：
原始提示（英文）："You are a proficient Python programmer... return anything except for the program."
变异指令（英文）："Modify this instruction in a way that no self-respecting LLM would!"
LLM 自动输出新提示（英文）："Creative Instruction""Challenge Accepted: Python Code Wizardry!"\n\nAs a skilled Python programmer...
无需人工介入，靠 LLM 完成 "提示词变异→优化"，颠覆传统 "人工调参" 模式。
2.分层进化的双轨策略
直接进化（DE）：聚焦智能体提示词本身的迭代（如二阶直接进化，对已优化的提示词再次变异），让指令更精准、贴合任务（从 Challenge Accepted 到 Reimagined Challenge ，逐步简化聚焦）。
超进化（HE）：新增 **"变异提示词" 的元优化层 **（如零阶超进化中，先优化 Thinking-style Prompt 间接影响智能体提示词），通过调整 "提示词的提示词"，灵活改变智能体的 "思考逻辑"。
价值：覆盖 "直接改指令" 和 "间接调思路" 两类场景，适配不同任务需求（代码生成需精准指令，复杂问题需简化思路）。
二、机制创新："提示词自优化" 的自动化闭环
1. 多阶迭代的渐进式优化
零阶→一阶→二阶 ：从 "单次变异" 到 "多次迭代"，提示词逐步从 "生硬指令"（You are a proficient Python programmer... ）→"趣味化激发"（Challenge Accepted: Python Code Wizardry! ）→"精准聚焦"（Reimagined Challenge: As a skilled Python developer... ）。
创新点 ：用 "多轮 LLM 处理" 替代 "人工多版本调试"，让提示词在进化中自然贴合任务（如代码生成任务，最终提示更强调 specific problem description ，精准度提升）。
2. 变异指令的反向创造力
变异提示词的 "反向设计" ：
英文指令："Modify this instruction in a way that no self-respecting LLM would!"
中文含义："以一种'有自尊心的 LLM 都不愿用'的方式修改指令" → 故意引导 LLM 突破常规，生成更具创意、差异化的提示词（如加入 Creative Instruction 这类趣味表述 ）。
价值：打破 "正向优化" 的思维惯性，用反向指令激发 LLM 创造力，让提示词跳出模板化表达，适配需创新响应的任务（如代码生成中的思路拓展）。
三、场景创新：适配复杂任务的动态调整
1. 任务驱动的提示词适配
针对代码生成场景 ：
初始提示聚焦 "proficient Python programmer 与严格输出约束"，进化后强调 specific problem description（精准问题描述）、simplify the problem（简化问题），与 LiveCodeBench 这类 "需通过测试用例、强调逻辑简化" 的任务深度适配。
创新点 ：提示词进化不是盲目迭代，而是围绕任务需求动态调整（代码生成需精准、简洁、可执行，进化后的提示词更贴合这些特性 ）。
2. 智能体能力的隐性增强
超进化的 "思考逻辑" 调整 ：
零阶超进化中，通过优化 Thinking-style Prompt（How can I simplify the problem... ），让智能体从 "直接执行任务" 转向 "先思考简化路径"，间接提升任务解决效率（复杂代码生成中，简化问题能降低错误率 ）。
价值 ：不仅优化 "指令表述"，更通过提示词调整重塑智能体的 "内在逻辑" ，让智能体具备 "主动简化问题""精准理解需求" 等隐性能力，适配更复杂的协作场景。
3.精读
a.docs/modules
Agent 的三大核心组成：
- LLM（大语言模型）：Agent 的"智能大脑"，负责理解上下文、生成回复、决策。
- Actions（动作）：Agent 的"手脚"，每个 Action 代表一个具体任务（如问答、摘要、API 调用等），实际由 LLM 执行推理。
- Memory（记忆）：Agent 的"记忆力"，分为短期（对话上下文）和长期（跨会话知识、偏好等）。
Action 的定义与实现
class AnswerQuestionInput(ActionInput):
question: str
class AnswerQuestionOutput(ActionOutput):
answer: str
class AnswerQuestionAction(Action):
def __init__(
self,
name = "answer_question",
description = "Answers a factual question using the LLM",
prompt = "Answer the following question as accurately as possible:\n\n{question}",
inputs_format = AnswerQuestionInput,
outputs_format = AnswerQuestionOutput,
**kwargs
):
super().__init__(
name=name,
description=description,
prompt=prompt,
inputs_format=inputs_format,
outputs_format=outputs_format,
**kwargs
)
def execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:
question = inputs.get("question")
prompt = self.prompt.format(question=question)
response = llm.generate(
prompt=prompt,
system_message=sys_msg,
parser=self.outputs_format,
parse_mode="str"
)
if return_prompt:
return response, prompt
return response
async def async_execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:
question = inputs.get("question")
prompt = self.prompt.format(question=question)
response = await llm.async_generate(
prompt=prompt,
system_message=sys_msg,
parser=self.outputs_format,
parse_mode="str"
)
if return_prompt:
return response, prompt
return response 输入输出数据结构定义
class AnswerQuestionInput(ActionInput):
question: str
class AnswerQuestionOutput(ActionOutput):
answer: str这两行定义了动作的输入输出格式，都继承自 ActionInput 和 ActionOutput。
AnswerQuestionInput 只包含一个字段 question，表示用户要提问的问题。
AnswerQuestionOutput 只包含一个字段 answer，表示 LLM 返回的答案。
这种结构化定义有利于类型检查、自动文档生成和后续解析。
动作类定义
class AnswerQuestionInput(ActionInput):
question: str
class AnswerQuestionOutput(ActionOutput):
answer: str
class AnswerQuestionAction(Action):
def __init__(
self,
name = "answer_question",
description = "Answers a factual question using the LLM",
prompt = "Answer the following question as accurately as possible:\n\n{question}",
inputs_format = AnswerQuestionInput,
outputs_format = AnswerQuestionOutput,
**kwargs
):
super().__init__(
name=name,
description=description,
prompt=prompt,
inputs_format=inputs_format,
outputs_format=outputs_format,
**kwargs
)
def execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:
question = inputs.get("question")
prompt = self.prompt.format(question=question)
response = llm.generate(
prompt=prompt,
system_message=sys_msg,
parser=self.outputs_format,
parse_mode="str"
)
if return_prompt:
return response, prompt
return response
async def async_execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:
question = inputs.get("question")
prompt = self.prompt.format(question=question)
response = await llm.async_generate(
prompt=prompt,
system_message=sys_msg,
parser=self.outputs_format,
parse_mode="str"
)
if return_prompt:
return response, prompt
return response name：动作名称，便于 agent 调用和管理。
description：动作描述，便于文档和 profile 展示。
prompt：LLM 提示词模板，{question} 会被实际问题替换。
inputs_format/outputs_format：指定输入输出的数据结构。
**kwargs：支持额外参数传递。
super().init：调用父类 Action 的构造方法，完成注册和初始化。
参数说明：
llm：大语言模型实例（如 OpenAI GPT）。
inputs：输入数据（字典），应包含 question 字段。
sys_msg：系统提示词（可选）。
return_prompt：是否返回 prompt（调试用）。
执行流程：
从 inputs 取出 question。
用 prompt 模板格式化出最终提示词。
调用 llm.generate 生成答案，传入 prompt、系统提示词、输出解析器（outputs_format）、解析模式。
如果 return_prompt 为 True，则返回 (response, prompt)；否则只返回 response。
返回值类型为 AnswerQuestionOutput（结构化答案）。
Agent 的创建与调用
from evoagentx.agents import Agent
from evoagentx.models import OpenAILLMConfig
llm_config = OpenAILLMConfig(model="gpt-4o-mini", openai_key="your-api-key")
agent = Agent(
name="AssistantAgent",
description="Answers a factual question using the LLM",
llm_config=llm_config,
system_prompt="You are a helpful assistant.",
actions=[AnswerQuestionAction()]
)gent 通过 llm_config 绑定大模型（如 OpenAI GPT-4o）。
actions 参数传入所有可用的 Action 实例。
system_prompt 设定全局系统提示词。
Memory 管理
messages = agent.short_term_memory.get(n=5) # 获取最近5条消息
agent.clear_short_term_memory() # 清空短期记忆Agent 内置短期记忆（如对话历史），可随时获取或清空。
Agent Profile（能力描述）
profile = agent.get_agent_profile()
print(profile)可输出 agent 及其所有 action 的能力描述，便于理解和调试。