Evolution（演化/进化）在 AI 领域指的是让模型、智能体或训练方法通过迭代、选择与反馈不断自我改进的思路，既包括进化算法等经典技术，也涵盖近两年兴起的智能体脚手架自我进化、经验记忆演化等新方向。随着大模型能力接近边际收益递减，研究者开始把注意力从单纯堆参数转向让系统在运行中持续演化，这一趋势正在成为智能体工程的重要分支。
Evolution 在智能体系统中的近期进展
Evolution 训练方法与评测的现状
进化策略路线也有突破。NVIDIA 证明 AI 学习无需反向传播：EGGROLL 扩展进化策略至十亿参数显示，NVIDIA 的 EGGROLL 方法把进化策略扩展到十亿参数规模，说明不依赖梯度反向传播的演化式学习在工业级模型上具备可行性。在能力分化方向，CDSE 方法让智能体技能按功能分化，36 项测试全面领先则展示了让智能体技能沿功能维度自然分化带来的评测优势。
评测体系也在跟进。HarnessDev基准评测LLM创建Agent Harness能力提供了衡量模型构建和改进智能体脚手架能力的基准；工程实践层面，给智能体写行为指令，通过 adapter 持续优化工作方式体现了不改权重、靠指令与 adapter 迭代行为的轻量演化做法。
当前焦点与观察点
目前 evolution 相关工作的争议点集中在：不改权重的脚手架演化是否算真正的自我改进、演化过程的稳定性与可控性如何保障，以及进化策略能否在更大规模上替代梯度训练。值得关注的观察点包括：Harness RSI 一类递归自我改进框架的安全边界、EGGROLL 在十亿参数之后能否进一步扩展、以及 HarnessDev 等基准是否会成为衡量智能体演化能力的行业标配。此外，Google CEO Sundar Pichai 对内容形态演化趋势的预测（Sundar Pichai Predicts Content Evolution）也提示，演化视角正从技术层面延伸到 AI 生态与内容产业的整体判断上。