AI Agent 能否像研究人员一样，从论文中学习？
最近两年，大语言模型的能力不断提升，围绕模型构建的 AI Agent 也逐渐能够处理复杂的任务。从调用工具、操作软件，到规划和执行多步骤工作流，Agent 从处理简单的问答，走向能够独立解决长程复杂工具调用的任务。与此同时，每天也都有很多新的 agent 领域的 preprint 公开在 arXiv 中。
但一个现实问题随之出现：当 Agent 遇到能力瓶颈时，我们该如何让它变得更好？
最直接的办法是训练更强的模型。然而，Agent 的表现并不完全取决于底层模型。工具如何调用、上下文如何管理、经验如何复用，以及任务如何规划，都会影响最终的执行效果。
这些围绕模型运行的软件系统，通常被称为 Agent Harness。
近期，Meta Harness 等研究开始探索自动优化 Harness：让一个 Coding Agent 分析任务执行中的失败，再尝试修改 Harness 的代码，并通过实验寻找更好的版本。
这种方式已经展现出一定潜力，但也存在一个明显的局限：Coding Agent 提出的改进，很大程度上依赖于自身 Backbone 模型已有的知识，以及此前观察到的失败案例。如果一个问题还没出现，或者模型本身不知道某种更好的解决方法，它就很难主动探索相应的改进方向。
人类研究人员面对类似问题时，通常会阅读最新论文，了解其他研究者提出的方法，再尝试将这些方法应用到自己的系统中。那么，能否让 Agent 也具备这样的能力？
近日，来自 UCSB 和微软的研究团队提出了 ScholarEvolve，尝试将阅读研究文献、实现算法、评估效果这一研究过程自动化，让最新的学术成果能够直接参与 Agent Harness 的演化。
论文： Learning from Research: Toward Lifelong Agent Harness Evolution
论文地址： https://arxiv.org/abs/2609.40169
代码地址： https://github.com/UCSB-NLP-Chang/ScholarEvolve
研究机构： 加州大学圣塔芭芭拉分校（UCSB）、微软
在不修改底层模型参数的情况下，ScholarEvolve 将 Qwen3.5-27B 在 AppWorld Challenge 上的任务完成率从 49.6% 提升至 63.6%，提高了 14.0 个百分点。
ScholarEvolve
Agent 通过自动研究实现可持续进化
ScholarEvolve 的核心思路并不复杂：让 Agent 不再仅仅依靠自己的经验寻找改进，而是主动从研究文献中获取新的方法。不过，阅读论文只是第一步。真正困难的是，如何从海量研究中找到不同的改进方向，并将它们转化为能够合并起作用的 Harness。
为了解决这个问题，ScholarEvolve 设计了一套自动化的研究与演化流程。
1）将 Agent Harness 拆成五个主要的功能模块。
这五个模块分别负责工具接口（Tools）、上下文管理（Context）、技能（Skills）、记忆（Memory）和工作流（Workflow）。这样的划分让系统能够更有针对性地寻找改进。例如，当 Agent 容易丢失历史信息时，可以研究新的上下文压缩或记忆检索方法，而当 Agent 无法有效完成长程任务时，则可以尝试新的任务规划与工作流设计。
2）让 Research Agent 从论文中寻找解决方案。
系统首先分析 Agent 的执行轨迹，识别反复出现的问题，并将其转化为更一般的能力需求。
随后，Research Agent 根据不同模块的职责构建检索查询，从 arXiv 等学术文献来源中寻找相关研究。
然而，ScholarEvolve 并不是简单地选择检索结果中最相关的几篇论文。因为高度相关的论文可能使用非常相似的方法。如果将有限的实验预算全部花在这些论文上，搜索就很容易局限于少数技术路线。为了解决这个问题，ScholarEvolve 使用 Topic Modeling，将检索到的论文按照不同的技术机制进行归类，并尽量覆盖彼此不同的研究方向。
例如，同样是改善上下文管理，有的文章通过压缩上下文降低长度，有的则通过检索重要片段保留关键证据。两者解决的是相似问题，却采用了不同的机制，这使得 ScholarEvolve 能够在有限预算内探索更多不同的解决方案。
3）将论文中的方法实现为代码，并寻找最佳组合。
Research Agent 会进一步阅读选中的论文，包括 GitHub 中的代码实现和附录里的 prompt 细节，生成具体的实现方案，再交由 Coding Agent 修改对应的 Harness 模块。每个候选实现都会在验证任务上测试实际效果。但一个模块单独表现好，并不意味着它与其他模块组合之后仍然有效。
因此，ScholarEvolve 还会尝试组合不同模块的改进，评估完整 Harness 的性能，并保留经过验证、优于当前版本的设计。
整个过程类似于一次自动化的科研：从最新的文献中提取核心方法，通过代码实现，再用实验结果决定是否采用。
只进化 Harness
Agent 性能能提升多少？
研究团队在两个具有代表性的 Agent Benchmark 上进行了实验：AppWorld 和 τ²-Bench。
AppWorld 要求 Agent 通过 API 操作不同应用，完成涉及多个步骤的真实任务；
τ²-Bench 则侧重于需要工具调用和用户交互的任务执行能力。
实验分别使用 Qwen3.5-27B 和 GPT-5.4-mini 作为 Backbone 模型，并与原始 Harness 及 Meta Harness 进行比较。
在 AppWorld Normal 上，经过 ScholarEvolve 优化的 Qwen3.5-27B，任务完成率从 69.0% 提升至 81.4%。
值得一提的是，在 AppWorld Challenge 中。该测试集包含训练和验证阶段未出现过的 Amazon、Gmail 等应用，因此能够进一步检验改进后的 Harness 是否具备泛化能力。在这一设置下，Qwen3.5-27B 的任务完成率从 49.6% 提升至 63.6%。相比之下，同一实验设置下的 Meta Harness 仅仅达到 54.6%。对于 GPT-5.4-mini，ScholarEvolve 同样取得了明显提升，在 AppWorld Challenge 上将任务完成率从 46.1% 提升至 55.6%。
在 τ²-Bench Telecom 上，GPT-5.4-mini 的单次任务成功率也从 72.7% 提升至 81.9%。这些结果说明即使不进行额外的模型训练，仅仅优化 Harness，也能够显著改善 Agent 的实际表现
研究团队还进行了消融实验，分别考察文献指导、模块化搜索和 Topic Modeling 的作用。
结果显示，移除这些设计后，Agent 的表现会逐步下降。这说明性能提升不仅来自自动修改代码，还与如何寻找、组织和组合不同的研究方法有关。
另一个有意思的发现是：单独表现最好的模块，并不一定能组成表现最好的 Harness。这也进一步说明，Harness 的改进不能只关注某一个组件，还需要考虑不同模块在实际执行过程中的相互影响。
从一次优化
到终身持续学习进化
ScholarEvolve 更进一步的目标，是让 Agent 能够自动随着 Agent 研究进展持续改进。传统的 Harness 优化通常在完成几轮搜索后就收敛，最终得到一个固定版本的 Agent。但研究领域本身一直在发展。新的工具调用方法、记忆架构或推理策略，可能在几个月后才被提出。
ScholarEvolve 希望利用这些不断出现的研究成果，让 Agent 即使没有遇到新的失败，也能主动尝试新的改进方向。
为验证这一想法，研究团队按照论文的发表时间构建了三个连续的研究窗口（25 年 12 月，26 年 1 月-4 月，26 年 5 月-8 月），在保持底层模型不变的情况下，模拟新论文逐步加入后的 Harness 演化过程。
实验结果显示，Qwen3.5-27B 在 AppWorld Normal 上的任务完成率，从最初的 69.0%，经过多轮演化，逐步提升至 73.4%、79.8%，最终达到 81.5%。
让研究成果进入 Agent 系统
ScholarEvolve 并不意味着 Agent 已经能够完全自主地解决自身的所有问题。
论文的进一步分析也发现，虽然演化后的 Harness 明显减少了许多问题，但在复杂任务的约束跟踪、信息检索完整性等方面，仍然存在改进空间。
从论文中提取的方法也并不总是有效。部分候选实现甚至会导致性能下降，因此实际评估和筛选仍然不可或缺。
不过，ScholarEvolve 探索了一条值得关注的路线。过去，一篇新的 Agent 论文发表后，通常需要研究人员或工程师阅读、理解、复现，并手动集成到已有系统中，才能真正产生实际价值。ScholarEvolve 尝试将这一过程连接起来，让 AI Agent 能够主动阅读研究、实现新的机制，再通过实验检验它们是否真的有用。
随着相关研究不断推进，未来的 Agent 或许不仅能够完成用户交给它的任务，还能自动且持续地从新的知识中学习。
作者介绍
Jingbo Yang，加州大学圣塔芭芭拉分校（UCSB）计算机系博士生，研究方向包括大语言模型智能体、自进化系统、智能体记忆与高效推理。曾在微软开展研究实习，相关研究成果发表于 NeurIPS、ACL 等国际学术会议。
