Agent Evolution Code Synthesis Human-in-the-loop Self-Improvement
摘要

本文提出一种针对反例补充草图的代理合成方法,旨在解决编码代理修复失败案例时丢失领域规则的问题。该方法让人类从部分代码草图开始,当具体失败暴露策略缺失时,操作员批准修正后的行为与规则,代理据此修订草图并再生代码。系统通过保留谱系、回归测试集门控及定期清洁再生,确保演化后的草图而非提示历史承载所学策略。实验表明,基于演化草图的重建在 withheld 案例上表现更优,且显著减少了返工量,证明了策略内化的有效性。

AI 推荐理由

论文核心在于通过反例驱动草图进化,实现策略内化与自我修复,属典型的自我进化研究。

研究机构
Independent
论文信息
作者 Muness Castle, Eric Rubeck
发布日期 2026-07-17
arXiv ID 2607.15854
相关性评分 9/10 (高度相关)